tesisUPV3454 PDF

UNIVERSIDAD POLITÉCNICA DE VALENCIA
Nuevos algoritmos para el

problema de secuenciación en
máquinas paralelas no
relacionadas y generalizaciones
Luis Fanjul Peyró
TESIS DOCTORAL
Dirigida por:
Rubén Ruiz García
Valencia, 2010
A Celia, por soportarme.
A Nacho y María por ser mis hijos.
I
II
Resumen
Para iniciar esta Tesis Doctoral se buscó un problema de producción sen-
cillo pero de amplia aplicación práctica que permitiera adaptarlo para llegar
a problemas más generales y de más amplia aplicación. Por este motivo, nos
centramos en las máquinas paralelas, y dentro de ellas, en las no relacionadas
dado que son una generalización de los casos de máquinas idénticas y de las
uniformemente relacionadas. Escogimos el objetivo de minimizar el tiempo
máximo de finalización o Cmáx , uno de los más comunes de la literatura. Este
problema tiene la facultad de que, a pesar de su carácter teórico, tiene una
amplia aplicación práctica, como el caso de secuenciar las tareas de los hornos
de cocción cerámicos. Por otra parte se quería ampliar el problema para el
caso en que no se usaran todas las máquinas o no se hicieran todos los trabajos
necesariamente.
Las metas perseguidas son el presentar unos algoritmos sencillos y potentes
para la resolución del problema R//Cmáx , capaces de constituirse en el estado
del arte. Dado que los modernos ordenadores montan casi en su totalidad varios
núcleos en su CPU y los algoritmos se van adaptando a este hecho, también se
ha buscado realizar una adaptación de los algoritmos para su uso en paralelo.
Finalmente, se pone como meta el encontrar métodos eficaces y sencillos para
la resolución de problemas de este tipo en donde no se emplearan todas las
máquinas o no se realizaran todos los trabajos.
En la presente Tesis Doctoral se realizó un amplio estudio de la literatura
existente respecto al problema de máquinas paralelas no relacionadas y se
extrajo el estado del arte, así como un estudio del posible tipo de instancias a
emplear, dado que no existía una grupo de instancias tipo para este problema.
Se presentan cuatro algoritmos iniciales sencillos que mejoran los resultados
del estado del arte en algunos casos y dan mejores resultados de media en el
conjunto total de instancias tratadas. Dichos algoritmos se basan en métodos
iterativos en los que se realiza una búsqueda local de inserción seguida de
III
una búsqueda local de intercambio hasta óptimo local de ambas, seguidas de

diversos métodos de modificación parcial de la solución para volver de nuevo
con esta solución modificada a las búsquedas locales.
Se introducen métodos que buscan disminuir el grado de aleatoriedad de los
primeros algoritmos, donde se llegan a desarrollar tres nuevos algoritmos que
mejoran los anteriores y que destacan con mejores resultados que el estado del
arte en prácticamente todos los casos. Un nuevo algoritmo híbrido donde se
aúnan todas las características de los métodos desarrollados hasta ese momento
nos lleva a mejorar significativamente los resultados obtenidos.
No obstante los buenos resultados, se proponen nuevos métodos basados en
una disminución del número de variables a tener en cuenta en la resolución
del problema que acaban derivando en cinco nuevos algoritmos que nos llevan
a mejorar aún más los valores ya obtenidos por los anteriores métodos pro-
puestos. Es de destacar que los algoritmos propuestos no solo obtienen buenos
resultados, sino que van mejorando estos resultados a medida que se les da
más tiempo de ejecución.
Se realizan las modificaciones pertinentes a los mejores algoritmos desarrolla-
dos en aras de paralelizar parte de las tareas que realizan y esto nos permite
compararlos con el estado del arte. Los resultados muestran como el mejor
algoritmo desarrollado es capaz de superar al método representativo del estado
del arte también en el ámbito paralelo.
Finalmente, se presenta el problema de máquinas opcionales y selección de
trabajos, realizando primeramente su formulación matemática para posterior-
mente mostrar los métodos más favorables para la solución de este tipo de
problemas, basados, en el caso de la selección de máquinas, en una elaboración
de un ranking de máquinas, seguidos de una selección iterativa de ellas y una
resolución final por distintos métodos.
Por último hacemos una reflexión sobre todo lo estudiado y una discusión
sobre las posibles líneas de investigación que deja abiertas la presente Tesis
Doctoral.
IV
Resum
Per iniciar aquesta tesi doctoral es va buscar un problema de producció
senzill però de gran aplicació pràctica que permetés adaptar per arribar a
problemes més generals i de més àmplia aplicació. Per aquest motiu, ens
centrem en les màquines paral.leles, i dins d’elles, en les no relacionades donat
que són una generalització dels casos de màquines idèntiques i de les unifor-
mement relacionades. Vam escollir l’objectiu de minimitzar el temps màxim
de finalització o Cmax , un dels més comuns de la literatura. Aquest problema
té la facultat que, tot i el seu caràcter teòric, té una àmplia aplicació pràctica,
com per al cas de seqüenciar les tasques dels forns de cocció ceràmics. D’altra
banda es volia ampliar el problema per al cas en que no fan falta totes les
màquines o no es fessin tots els treballs necessàriament.
Les metes perseguides són el presentar uns algoritmes senzills i potents per
a la resolució del problema R//Cmax , capaços de constituir-se en l’estat de
l’art. Atès que els moderns ordinadors munten quasi totalment diversos nuclis
a la seva CPU i els algorismes es van adaptant a aquest fet, també s’ha buscat
realitzar una adaptació dels algorismes per al seu ús en paral.lel. Finalment,
es posa com a meta el trobar mètodes eficaços i senzills per a la resolució
de problemes d’aquest tipus on no s’utilitzaran totes les màquines o no es
realitzaran tots els treballs.
En la present tesi doctoral es va realitzar un ampli estudi de la literatura existent
respecte al problema de màquines paral.leles no relacionades i es va extraure
l’estat de l’art, així com un estudi del possible tipus d’instàncies a utilitzar, ja
que no existia una grup d’instàncies tipus per aquest problema.
Es presenten quatre algoritmes inicials senzills que milloren els resultats de
l’estat de l’art en alguns casos i donen millors resultats de mitjana en el conjunt
total de instàncies tractades. Aquests algorismes es basen en mètodes iteratius
en què es realitza una cerca local d’inserció seguida d’una cerca local d’inter-
canvi fins òptim local de les dues, seguides de diversos mètodes de modificació
V
parcial de la solució per tornar de nou amb aquesta solució modificació a les
recerques locals.
S’introdueixen mètodes que busquen disminuir el grau d’aleatorietat dels pri-
mers algoritmes, on s’arriba a desenvolupar tres nous algoritmes que milloren
els anteriors i que destaquen amb millors resultats que l’estat de l’art en pràc-
ticament tots els casos. Un nou algorisme híbrid a on es reuneixen totes les
característiques dels mètodes desenvolupats fins aquell moment ens porta a
millorar significativament els resultats obtinguts.
No obstant els bons resultats, es proposen nous mètodes basats en una disminu-
ció del nombre de variables a tenir en compte en la resolució del problema que
acaben derivant en cinc nous algoritmes que ens porten a millorar encara més
els valors obtinguts pels anteriors mètodes proposats. És de destacar que els
algorismes proposats no només obtenen bons resultats, sinó que van millorant
aquests resultats a mesura que se’ls dóna més temps d’execució.
Es realitzen les modificacions pertinents als millors algorismes desenvolupats
en nom de parallelitzar part de les tasques que realitzen i això ens permet
comparar-los amb l’estat de l’art. Els resultats mostren com el millor algorisme
desenvolupat és capaç de superar el mètode representatiu de l’estat de l’art
també en l’ambient paral.lel.
Finalment, es presenta el problema de màquines opcionals i selecció de tre-
balls, realitzant primerament la seva formulació matemàtica per a posterior-
ment mostrar els mètodes més favorables per a la solució d’aquest tipus de
problemes, basats, en el cas de la selecció de màquines, en un elaboració de un
rànquing de màquines, seguits d’una selecció iterativa d’elles i una resolució
final per diferents mètodes.
Per últim fem una reflexió sobre tot el estudiat i una discussió sobre les possi-
bles línies d’investigació que deixa obertes aquesta tesi doctoral.
VI
Abstract
At the onset of this thesis we aimed for a simple problem but with wide
practical applications. The initial objective was to reach more general prob-
lems and wider applications after adaptations. For this reason, we focus on
parallel machines scheduling problems, and within them, in unrelated parallel
machine problems as they are a generalization of the identical and uniform par-
allel related machines cases. We chose to minimize the maximum completion
time or Cmax , one of the most commonly studied objectives in the literature.
This problem, despite its theoretical nature, has many practical applications, as
in the case of sequencing the work of ceramic kilns. Furthermore, the problem
has been expanded in thesis for some not studied extensions like the case in
which not all machines have to be used or in the case where not all jobs must
be processed.
The goals of this thesis are to present simple and powerful algorithms for
solving the R//Cmax problem, capable of constituting the new state-of-the-
art in the literature. Modern computers are built with multi-core CPUs and
modern algorithms are starting to take this into account. Therefore, we also
set a goal to make parallel computing adaptations of our presented algorithms.
Finally, we set the goal of finding effective and simple methods for solving
problems where not all machines have to be used and problems where not all
jobs must be processed.
In the present thesis we have conducted and extensive study of existing litera-
ture for the unrelated parallel machines scheduling problem and extracted the
state-of-the-art. We also study the possible types of instances to be used, since
the literature was lacking a common benchmark.
We present four simple initial algorithms that improve the performance of
existing state-of-the-art methods in some cases and better results, on average,
in the entire set of instances treated. These algorithms are based on iterative
methods. An iterative application to local optimality of an insertion local
VII
search followed by a interchange local search has proven beneficial. This,

together with various methods of partial modification of the solution are the
main core of the proposed algorithms.
We introduce procedures to reduce the degree of randomness of the initially
proposed algorithms, where we develop three new methods that improve the
previous algorithms and give better results than the state-of-the-art in virtually
all cases. A new hybrid algorithm which combines all the features of the meth-
ods developed so far leads us to a significant improvement in the benchmark
results.
Despite the excellent performance, we further propose new methods based on
a reduction in the number of variables to consider when solving the mathe-
matical assignment problem. This results in five new algorithms that further
improve the solutions obtained by all previously proposed methods. It is worth
noting that the proposed algorithms not only achieve good results, but they do
so with an inherent simplicity.
Some changes are made to the best algorithms in order to parallelize them.
This allows us to compare with the state-of-the-art in parallel computing envi-
ronments. The results show again the superiority of the proposed methods also
in parallel environments.
Finally, we study the problem where not all machines have to be used and prob-
lems where not all jobs must be processed. Their mathematical formulations
are studied first. Later, we present some algorithmic approaches for solving the
first problem, as the second is shown to be readily solvable by mathematical
programming.
The thesis closes with an assessment of all the achievements, publications and
statements for future research lines.
VIII
Agradecimientos
En primer lugar, quiero agradecer a todos los miembros del SOA su pa-
ciencia explicándome todo lo necesario para el desarrollo de este estudio.
Empezando por la programación en Delphi, que desconocía completamente,
la explicación de los rudimentos de Linux y C++, el uso de distinto software,
y un estar siempre todos dispuestos a echarme una mano y a atender todas mis
preguntas sobre los temas más variados. Gracias y perdonar por las molestias.
Quiero agradecer a Ghirardi y Potts el habernos facilitado el código de su

algoritmo RBS, y a Woclaw por el código de Partial, lo cuál nos ha ahorrado
bastante trabajo y no pocos quebraderos de cabeza.
También quiero agradecer a mi familia el apoyo dado, al aguantarme esta

temporada de largas jornadas de trabajo, y en especial a Celia, mi mujer, por
escuchar mis explicaciones de algo que, en el mejor de los casos, le parecían
harto extrañas.
Y por último, quiero darle mi más sincero agradecimiento a mi director

de Tesis, que con infinita paciencia y dedicación fue explicándome todos
los rudimentos de la investigación, la programación, la escritura científica, y
largo etcétera, así como un apoyo moral constante y una disposición total a
atenderme y guiarme en cualquier momento y de una forma extremadamente
rápida. Sinceramente gracias.
ÍNDICE GENERAL
1. Introducción 1
1.1. Programación de la producción . . . . . . . . . . . . . . . . . 4
1.2. Notación y clasificación . . . . . . . . . . . . . . . . . . . . . 6
1.3. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5. Estructura de la Tesis Doctoral . . . . . . . . . . . . . . . . . 13
2. Máquinas paralelas 15
2.1. Máquinas paralelas idénticas . . . . . . . . . . . . . . . . . . 18
2.2. Máquinas paralelas uniformemente relacionadas . . . . . . . . 20
2.3. Máquinas paralelas no relacionadas . . . . . . . . . . . . . . 21
2.3.1. Revisión bibliografía . . . . . . . . . . . . . . . . . . 23
2.3.2. Estado del arte . . . . . . . . . . . . . . . . . . . . . 30
2.3.2.1. Partial de Mokotoff y Jimeno . . . . . . . . 31
2.3.2.2. RBS de Ghirardi y Potts . . . . . . . . . . . 33
2.3.2.3. CPLEX 11.0 . . . . . . . . . . . . . . . . . 35
3. Algoritmos iniciales propuestos 37

3.1. Base de los algoritmos propuestos . . . . . . . . . . . . . . . 38
3.1.1. Solución inicial . . . . . . . . . . . . . . . . . . . . . 41
3.1.2. Búsqueda local de inserción . . . . . . . . . . . . . . 42
IX
X ÍNDICE GENERAL
3.1.3. Búsqueda local de intercambio . . . . . . . . . . . . . 44

3.1.4. Modificación de la solución obtenida y criterio de parada 46
3.1.5. Ensamblado del algoritmo . . . . . . . . . . . . . . . 47
3.2. Algoritmo iterativo voraz . . . . . . . . . . . . . . . . . . . . 51
3.2.1. Algoritmo iterativo voraz estándar (IGS) . . . . . . . 52
3.2.2. Algoritmo iterativo voraz dirigido (IGD) . . . . . . . 57
3.3. Búsquedas locales en vecindarios pequeños o restringidos (RLS) 63
3.3.1. Búsqueda local restringida-No al mismo sitio (NSP) . 63
3.3.2. Búsqueda local restringida-Virtual (Vir) . . . . . . . . 65
3.4. Instancias . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5. Implementación de los métodos propuestos . . . . . . . . . . 73
3.6. Análisis computacional . . . . . . . . . . . . . . . . . . . . . 75
3.6.1. Intervalo U(1,100) . . . . . . . . . . . . . . . . . . . 80
3.6.2. Intervalo U(10,100) . . . . . . . . . . . . . . . . . . . 85
3.6.3. Intervalo U(100,200) . . . . . . . . . . . . . . . . . . 90
3.6.4. Intervalo U(100,120) . . . . . . . . . . . . . . . . . . 95
3.6.5. Intervalo U(1000,1100) . . . . . . . . . . . . . . . . . 100
3.6.6. Intervalo de trabajos correlacionados . . . . . . . . . 105
3.6.7. Intervalo de máquinas correlacionadas . . . . . . . . . 110
3.6.8. Estudio conjunto de todos los intervalos . . . . . . . . 115
3.7. Otras variantes probadas . . . . . . . . . . . . . . . . . . . . 120
3.7.1. Variantes de la solución inicial . . . . . . . . . . . . . 121
3.7.2. Variantes de la búsqueda local por inserción . . . . . . 123
3.7.3. Variantes de la búsqueda local por intercambio . . . . 124
3.7.4. Variantes de la selección de trabajos para la modifica-
ción . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.7.5. Variantes de la reconstrucción/búsqueda . . . . . . . . 128
3.7.6. Variantes del ensamblado del algoritmo . . . . . . . . 129
3.8. Resumen de los algoritmos iniciales propuestos . . . . . . . . 130
ÍNDICE GENERAL XI
4. Algoritmos de selección dirigida 133

4.1. Selección de máquinas . . . . . . . . . . . . . . . . . . . . . 134
4.2. Selección de trabajos . . . . . . . . . . . . . . . . . . . . . . 140
4.3. Selección del número de elementos a modificar . . . . . . . . 141
4.4. Métodos mejorados . . . . . . . . . . . . . . . . . . . . . . . 143
4.5. Algoritmo NVST-IG+ . . . . . . . . . . . . . . . . . . . . . . 144
4.6.1. Intervalo U(1,100) . . . . . . . . . . . . . . . . . . . 147
4.6.2. Intervalo U(10,100) . . . . . . . . . . . . . . . . . . . 149
4.6.3. Intervalo de los trabajos correlacionados . . . . . . . . 151
4.6.4. Intervalo máquinas correlacionadas . . . . . . . . . . 152
4.6.5. Intervalo U(100,200) . . . . . . . . . . . . . . . . . . 154
4.6.6. Intervalo U(100,120) . . . . . . . . . . . . . . . . . . 156
4.6.7. Intervalo U(1000,1100) . . . . . . . . . . . . . . . . . 158
4.6.8. Todos los intervalos . . . . . . . . . . . . . . . . . . 160
4.7. Resumen de los algoritmos de selección dirigida . . . . . . . . 166
5. Heurísticas de reducción de tamaño 169

5.1. Métodos propuestos . . . . . . . . . . . . . . . . . . . . . . . 170
5.1.1. Métodos de reducción de tamaño . . . . . . . . . . . 175
5.1.2. Algoritmos serie de reducción de tamaño . . . . . . . 179
5.1.3. Algoritmos paralelos de reducción de tamaño . . . . . 181
5.2. Implementación de los métodos propuestos . . . . . . . . . . 182
5.3.1. Resultados de los algoritmos serie . . . . . . . . . . . 184
5.3.2. Resultado de los algoritmos paralelos . . . . . . . . . 189
5.4. Resumen de algoritmos de reducción de tamaño . . . . . . . . 192
6. Máquinas opcionales y selección de trabajos 195

6.1. Modelos matemáticos, restricciones y limitaciones . . . . . . 197
6.1.1. Modelos matemáticos . . . . . . . . . . . . . . . . . 197
XII ÍNDICE GENERAL
6.1.2. Restricciones más habituales . . . . . . . . . . . . . . 199

6.1.3. Limitaciones de los modelos . . . . . . . . . . . . . . 200
6.2. No todas las máquinas (NAM) . . . . . . . . . . . . . . . . . 203
6.2.1. Ranking de máquinas . . . . . . . . . . . . . . . . . . 205
6.2.2. Método de las selecciones de máquinas . . . . . . . . 209
6.2.3. Algoritmos para la resolución de NAM . . . . . . . . 212
6.2.4. Análisis computacional . . . . . . . . . . . . . . . . . 214
6.3. No todos los trabajos (NAJ) . . . . . . . . . . . . . . . . . . . 229
6.4. Resumen de máquinas opcionales y selección de trabajos . . . 232
7. Conclusiones y líneas futuras de investigación 235
REFERENCIAS 241
A. Tablas de los algoritmos iniciales 251

A.1. Tabla completa para el intervalo U(1,100) . . . . . . . . . . . 252
A.2. Tabla completa para el intervalo U(10,100) . . . . . . . . . . 259
A.5. Tabla completa para el intervalo U(1000,1100) . . . . . . . . 280
A.6. Tabla completa para trabajos correlacionados . . . . . . . . . 287
A.7. Tabla completa para máquinas correlacionadas . . . . . . . . . 294
B. Gráficos y tablas de interacción de los algoritmos iniciales 301

B.1. Interacciones en el intervalo U(1,100) . . . . . . . . . . . . . 302
B.2. Interacciones en el intervalo U(10,100) . . . . . . . . . . . . . 305
B.3. Interacciones en el intervalo U(100,200) . . . . . . . . . . . . 308
B.4. Interacciones en el intervalo U(100,120) . . . . . . . . . . . . 311
B.5. Interacciones en el intervalo U(1000,1100) . . . . . . . . . . . 314
B.6. Interacciones en el intervalo de trabajos correlacionados . . . 317
B.7. Interacciones en el intervalo de máquinas correlacionadas . . . 320
ÍNDICE GENERAL XIII
C. Resultado de calibración de los algoritmos 323

C.1. Calibración de IGS . . . . . . . . . . . . . . . . . . . . . . . 323
C.2. Calibración de IGD . . . . . . . . . . . . . . . . . . . . . . . 324
C.3. Calibración de NSP . . . . . . . . . . . . . . . . . . . . . . . 325
C.4. Calibración de Virtual . . . . . . . . . . . . . . . . . . . . . . 326
D. Tablas y ANOVAS de los algoritmos de reducción de tamaño 329

D.1. Tablas de algoritmos de reducción de tamaño . . . . . . . . . 330
D.2. ANOVAS de algoritmos de reducción de tamaño . . . . . . . 372
E. Tablas y ANOVAS para el problema de máquinas opcionales 395

E.1. Tablas para un 50 % de máquinas sin usar . . . . . . . . . . . 396
E.4. Anovas para un 50 % de máquinas sin usar . . . . . . . . . . . 438
F. Artículos aceptados y congresos 463

ÍNDICE DE FIGURAS
2.1. Diagrama de Gantt con la asignación de trabajos en máquinas

paralelas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1. Diagrama de flujo de los algoritmos propuestos. . . . . . . . . 39

3.2. Pseudo-código del algoritmo base para todos los métodos pro-
puestos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3. Procedimiento de Búsqueda Local de Inserción empleado en
la fase VND. . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Procedimiento de Búsqueda Local de Intercambio empleado
en la fase VND. . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5. Ejemplo de algoritmo iterativo voraz estándar (IGS): Selección
de un primer trabajo a destruir de la máquina con Cmáx . . . . . 53
3.6. Ejemplo de algoritmo iterativo voraz estándar (IGS): Selección
de un segundo trabajo a destruir de una máquina al azar. . . . 54
3.7. Ejemplo de algoritmo iterativo voraz estándar (IGS): Reasig-
nación del primer trabajo en la mejor máquina posible. . . . . 55
3.8. Ejemplo de algoritmo iterativo voraz estándar (IGS): Reasig-
nación del otro trabajo en la mejor máquina posible. . . . . . . 56
3.9. Ejemplo de algoritmo iterativo voraz estándar (IGS): Estado
final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
XV
XVI ÍNDICE DE FIGURAS
3.10. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Selección

de un primer trabajo a destruir de la máquina con mayor Cmáx . 58
3.11. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Selección
de un segundo trabajo a destruir de la máquina con mayor
Cmáx en ese momento. . . . . . . . . . . . . . . . . . . . . . 59
3.12. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Reubica-
ción de uno de los trabajos en la mejor posición posible. . . . 60
3.13. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Reubica-
ción del otro trabajo en la mejor posición posible. . . . . . . . 61
3.14. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Estado
final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.15. Ejemplo del algoritmo de búsqueda local en vecindarios pe-
queños o restringidos tipo No al mismo sitio (NSP): Proceso. . 64
3.16. Ejemplo del algoritmo de búsqueda local en vecindarios pe-
queños o restringidos tipo No al mismo sitio (NSP): Estado
final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.17. Ejemplo 1 del algoritmo de búsqueda local en vecindarios
pequeños o restringidos tipo Virtual: Proceso. . . . . . . . . . 67
pequeños o restringidos tipo Virtual: Estado final. . . . . . . . 68
pequeños o restringidos tipo Virtual: Proceso. . . . . . . . . . 69
pequeños o restringidos tipo Virtual: Estado final. . . . . . . . 70
3.21. Gráfico ANOVA de los algoritmos CPLEX, Partial,RBS, IGS,
IGD, NSP y Vir para el intervalo de distribución de tiempos de
proceso U(1,100). . . . . . . . . . . . . . . . . . . . . . . . . 85
3.22. Gráfico ANOVA de los algoritmos CPLEX, Partial, RBS, IGS,
proceso U(10,100). . . . . . . . . . . . . . . . . . . . . . . . 90
Índice de figuras XVII

proceso U(100,200). . . . . . . . . . . . . . . . . . . . . . . 95
proceso U(100,120). . . . . . . . . . . . . . . . . . . . . . . 100
proceso U(1000,1100). . . . . . . . . . . . . . . . . . . . . . 105
proceso de trabajos correlacionados. . . . . . . . . . . . . . . 110
proceso de máquinas correlacionadas. . . . . . . . . . . . . . 115
IGD, NSP y Vir para todos los intervalos de distribución de
tiempos de proceso estudiados. . . . . . . . . . . . . . . . . . 118
IGD, NSP y Vir para los intervalos de distribución de tiempos
de proceso más estudiados en la literatura. . . . . . . . . . . . 119
4.1. Distribución de probabilidad basada en la asignación de núme-

ros triangulares de forma directa. . . . . . . . . . . . . . . . . 135
4.2. Distribución de probabilidad basada en la asignación de núme-
ros triangulares de forma inversa. . . . . . . . . . . . . . . . 136
4.3. Distribución de probabilidad basada por igual en triangulares
directa e inversa. . . . . . . . . . . . . . . . . . . . . . . . . 137
4.4. Distribución de probabilidad asimétrica basada en distribucio-
nes triangulares directa e inversa. . . . . . . . . . . . . . . . . 138
XVIII ÍNDICE DE FIGURAS
4.5. Distribución de probabilidad Uniforme para las máquinas con

Cmáx y Triangular Inversa entre el resto. . . . . . . . . . . . . 139
4.6. Distribución de probabilidad Uniforme para las máquinas con
Cmáx y Cuadrática entre el resto. . . . . . . . . . . . . . . . . 140
4.7. Diagrama de flujo del algoritmo NVST-IG+. . . . . . . . . . . 145
4.8. ANOVA del intervalo U(1,100). . . . . . . . . . . . . . . . . 148
4.9. ANOVA del intervalo U(10,100). . . . . . . . . . . . . . . . . 150
4.10. ANOVA del intervalo de trabajos correlacionados. . . . . . . . 152
4.11. ANOVA del intervalo de máquinas correlacionados. . . . . . . 154
4.12. ANOVA del intervalo U(100,200). . . . . . . . . . . . . . . . 156
4.13. ANOVA del intervalo U(100,120). . . . . . . . . . . . . . . . 158
4.14. ANOVA del intervalo U(1000,1100). . . . . . . . . . . . . . . 160
4.15. Medias e intervalos de Tukey HSD con un 95 % de nivel
de confianza para todos los algoritmos y todas las instancias
estudiadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
4.16. Gráfico para los diversos tiempos estudiados (en segundos) en
los algoritmos CPLEX y NVST-IG+ y para todas las instancias. 166
5.1. Gráfico de los algoritmos serie para todas las instancias y 120
segundos de tiempo de parada . . . . . . . . . . . . . . . . . 189
5.2. Gráfico para la interacción entre el tiempo de parada y los algo-
ritmos paralelos probados, para todas las instancias e intervalos. 191
5.3. Algoritmos paralelos frente a serie: gráfico de medias para
todas las instancias e intervalos y todos los tiempos de parada. 192
6.1. Orden de máquinas o ranking (NAM). . . . . . . . . . . . . . 208

6.2. Método de selección de máquinas (NAM). . . . . . . . . . . . 211
6.3. ANOVA para todos los intervalos con 50 % máquinas sin usar
y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 222
y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 223
Índice de figuras XIX
y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 224
y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 225
y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 226
y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 227
6.9. ANOVA con la interacción por % máquinas sin usar y algorit-
mo para todos los intervalos y 300 segundos. . . . . . . . . . 228
6.10. ANOVA con la interacción por % máquinas sin usar y algorit-
mo para todos los intervalos y 60 segundos. . . . . . . . . . . 228
6.11. ANOVA del intervalo U(10,100) con 50 % trabajos realizados
y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 231
6.12. ANOVA del intervalo Trabajos Correlacionados con 50 % tra-
bajos realizados y 300 segundos. . . . . . . . . . . . . . . . . 232
6.13. ANOVA del intervalo U(100,200) con 50 % trabajos realizados
y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . . . 232
B.1. Gráfico de interacción de algoritmos frente número de trabajos, para

la distribución de pij U(1,100). . . . . . . . . . . . . . . . . . . 302
B.2. Gráfico de interacción de algoritmos frente número de máquinas,
para la distribución de pij U(1,100). . . . . . . . . . . . . . . . . 302
la distribución de pij U(10,100). . . . . . . . . . . . . . . . . . . 305
para la distribución de pij U(10,100). . . . . . . . . . . . . . . . 305
la distribución de pij U(100,200). . . . . . . . . . . . . . . . . . 308
XX ÍNDICE DE FIGURAS

la distribución de pij U(100,120). . . . . . . . . . . . . . . . . . 311
la distribución de pij U(1000,1100). . . . . . . . . . . . . . . . . 314
para la distribución de pij U(1000,1100). . . . . . . . . . . . . . 314
tiempos de pij de trab. correlacionados. . . . . . . . . . . . . . . 317
para tiempos de pij de trab. correlacionados. . . . . . . . . . . . . 317
tiempos de pij de máq. correlacionadas. . . . . . . . . . . . . . . 320
para tiempos de pij de máq. correlacionadas. . . . . . . . . . . . . 320
D.1. Gráfico de medias de los algoritmos de reducción de tamaño

para el intervalo U(1,100) y 15 segundos. . . . . . . . . . . . 372
Índice de figuras XXI

D.10.Gráfico de medias de los algoritmos de reducción de tamaño
para el intervalo U(10,100) y 120 segundos. . . . . . . . . . . 377
para el intervalo Trabajos correlacionados y 15 segundos. . . . 378
para el intervalo Trabajos correlacionados y 120 segundos. . . 380
(excepto 3J y 3J2M) para el intervalo Máquinas correlaciona-
das y 15 segundos. . . . . . . . . . . . . . . . . . . . . . . . 381
das y 30 segundos. . . . . . . . . . . . . . . . . . . . . . . . 382
XXII ÍNDICE DE FIGURAS

das y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . 382
das y 120 segundos. . . . . . . . . . . . . . . . . . . . . . . . 383
das y 240 segundos. . . . . . . . . . . . . . . . . . . . . . . . 383
das y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . 384
para el intervalo U(100,200) y 120 segundos. . . . . . . . . . 386
Índice de figuras XXIII

para el intervalo U(1000,1100) y 120 segundos. . . . . . . . . 392
E.1. ANOVA para el intervalo U(1,100) con 50 % máquinas quita-

das y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . 439
das y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . 439
E.3. ANOVA para el intervalo U(10,100) con 50 % máquinas qui-
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 440
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 440
E.5. ANOVA para el intervalo Trabajos Correlacionados con 50 %
máquinas quitadas y 300 segundos. . . . . . . . . . . . . . . . 441
XXIV ÍNDICE DE FIGURAS
E.7. ANOVA para el intervalo Máquinas Correlacionadas con 50 %

tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 443
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 443
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 444
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 444
E.13. ANOVA para el intervalo U(1000,1100) con 50 % máquinas
quitadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . 445
quitadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . 445
das y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . 447
das y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . 447
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 448
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 448
Índice de figuras XXV
E.22. ANOVA para el intervalo máquinas Correlacionadas con 20 %

tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 451
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 451
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 452
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 452
das y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . . 455
das y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . . 455
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 456
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 456
XXVI ÍNDICE DE FIGURAS

tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 459
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 459
tadas y 300 segundos. . . . . . . . . . . . . . . . . . . . . . . 460
tadas y 60 segundos. . . . . . . . . . . . . . . . . . . . . . . 460
ÍNDICE DE TABLAS
2.1. Tabla de tiempos de proceso de ejemplo de asignación en

máquinas paralelas. . . . . . . . . . . . . . . . . . . . . . . . 16
2.2. Tabla resumen de la revisión bibliográfica. . . . . . . . . . . . 29
3.1. Tabla de tiempos de proceso de ejemplo de ciclado: situación

inicial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2. Tabla de tiempos de proceso de ejemplo de ciclado tras la
primera inserción. . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3. Tabla de tiempos de proceso de ejemplo de ciclado tras la
segunda inserción. . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4. Tabla de tiempos de proceso de ejemplo de ciclado tras la fase
de intercambio. . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.5. Tabla del porcentaje del número de instancias resueltas por
CPLEX 11.0, tras 2 horas de tiempo de CPU como máximo
con cada instancia, para todos los intervalos de tiempos de
proceso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.6. Tabla de medias, error relativo porcentual medio y limites
inferior y superior del intervalo de confianza del 95 % para el
intervalo U(1,100). . . . . . . . . . . . . . . . . . . . . . . . 81
XXVII
XXVIII ÍNDICE DE TABLAS
3.7. Comparación general entre los algoritmos CPLEX, Partial,

RBS, IGS, IGD, NSP y Vir para el intervalo de distribución
de tiempos de proceso U(1,100). . . . . . . . . . . . . . . . . 82
3.8. Comparación entre los algoritmos agrupados por número de
trabajos CPLEX, Partial, RBS, IGS, IGD, NSP y Vir para el
intervalo de distribución de tiempos de proceso U(1,100). . . 83
máquinas CPLEX, Partial, RBS, IGS, IGD, NSP y Vir para el
intervalo U(10,100). . . . . . . . . . . . . . . . . . . . . . . . 86
de tiempos de proceso U(10,100). . . . . . . . . . . . . . . . 87
intervalo U(100,200). . . . . . . . . . . . . . . . . . . . . . . 91
de tiempos de proceso U(100,200). . . . . . . . . . . . . . . 92
intervalo de distribución de tiempos de proceso U(100,200). . 93
Índice de tablas XXIX

intervalo U(100,120). . . . . . . . . . . . . . . . . . . . . . . 96
de tiempos de proceso U(100,120). . . . . . . . . . . . . . . 97
intervalo U(1000,1100). . . . . . . . . . . . . . . . . . . . . . 101
de tiempos de proceso U(1000,1100). . . . . . . . . . . . . . 102
intervalo de distribución de tiempos de proceso U(1000,1100). 103
intervalo de distribución de tiempos de proceso U(1000,1100). 104
inferior y superior del intervalo de confianza del 95 % para
trabajos correlacionados. . . . . . . . . . . . . . . . . . . . . 106
XXX ÍNDICE DE TABLAS

de tiempos de proceso de trabajos correlacionados. . . . . . . 107
intervalo de distribución de tiempos de proceso de trabajos
correlacionados. . . . . . . . . . . . . . . . . . . . . . . . . 108
máquinas CPLEX, Partial, RBS, IGS, IGD, NSP y Vir para
el intervalo de distribución de tiempos de proceso de trabajos
correlacionados. . . . . . . . . . . . . . . . . . . . . . . . . 109
inferior y superior del intervalo de confianza del 95 % para
máquinas correlacionadas. . . . . . . . . . . . . . . . . . . . 111
de tiempos de proceso de máquinas correlacionadas. . . . . . 112
intervalo de distribución de tiempos de proceso de máquinas
correlacionadas. . . . . . . . . . . . . . . . . . . . . . . . . 113
intervalo de distribución de tiempos de proceso de máquinas
correlacionadas. . . . . . . . . . . . . . . . . . . . . . . . . 114
3.34. Comparación entre los algoritmos CPLEX, Partial, RBS, IGS,
IGD, NSP y Vir para todos los intervalos de distribución de
tiempos de proceso estudiados. . . . . . . . . . . . . . . . . . 116
Índice de tablas XXXI

IGD, NSP y Vir en tanto por cien de desviación respecto al
mejor algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . 117
3.36. Comparación de otras variantes probadas para la solución inicial.122
3.37. Comparación de otras variantes probadas para la búsqueda
local por inserción. . . . . . . . . . . . . . . . . . . . . . . . 123
3.38. Comparación de otras variantes probadas para la búsqueda por
intercambio: estrategias first, best, a tres bandas y combinacio-
nes de ellas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
3.39. Comparación de otras variantes probadas para la búsqueda por
intercambio: admisión de peores soluciones. . . . . . . . . . . 126
3.40. Comparación de otras variantes probadas para la selección de
trabajos a destruir: número fijo vs tanto por cien. . . . . . . . 127
3.41. Comparación de otras variantes probadas para la selección de
trabajos a destruir: aumento progresivo de la destrucción si no
se mejora el Cmáx . . . . . . . . . . . . . . . . . . . . . . . . 127
3.42. Comparación de otras mejoras probadas para la reconstrucción
y búsqueda. . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
3.43. Comparación de otras mejoras probadas para el ensamblado
del algoritmo: reinicio, sin intercambios, orden inverso de la
inserción e intercambio, sin fase de modificación y combina-
ción variantes más prometedoras. . . . . . . . . . . . . . . . . 130

NSP, Vir, IG+, NSP+ y Vir+ para el intervalo de distribución
de tiempos de proceso U (1, 100). . . . . . . . . . . . . . . . . 147
de tiempos de proceso U (10, 100). . . . . . . . . . . . . . . . 149
XXXII ÍNDICE DE TABLAS

de tiempos de proceso de trabajos correlacionados. . . . . . . 151
de tiempos de proceso de máquinas correlacionadas. . . . . . 153
de tiempos de proceso de U (100, 200). . . . . . . . . . . . . . 155
de tiempos de proceso de U (100, 120). . . . . . . . . . . . . . 157
de tiempos de proceso U (1000, 1100). . . . . . . . . . . . . . 159
4.8. Resumen de resultados para todos los intervalos y algoritmos.
En negrita (cursiva) se representa el mejor (peor) resultado,
respectivamente. . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.9. Resultados de las medias de los mejores algoritmos para di-
ferentes tiempos de parada de CPU. En negrita (cursiva) se
destacan los mejores (peores) resultados. . . . . . . . . . . . . 164
5.1. Tabla de instancias resueltas por CPLEX 11.0, tras 2 horas

como máximo con cada instancia, así como sus medias, para
todos los intervalos de tiempos de proceso. . . . . . . . . . . . 171
5.2. Porcentaje de trabajos que no se asignan a ninguna de las tres
máquinas más rapidas i1j , i2j o i3j en la solucion de referencia
dada por IBM-ILOG CPLEX 11.0 con un tiempo límite de 2
horas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.3. Ejemplo de valores de pij seleccionados por el método 3JB de
reducción de tamaño. En negrita los valores seleccionados. . . 176
Índice de tablas XXXIII
5.4. Ejemplo de valores seleccionados de pij por el método de

reducción de tamaño 2MB. En negrita los valores seleccionados.177
5.5. Ejemplo de valores de pij seleccionados por DIG para el méto-
do de reducción de tamaño. En negrita los valores seleccionados.178
5.6. Desviación porcentual relativa media para todos los intervalos
excepto máquinas correlacionadas para CPLEX, DIG, 3J y 3J2M.185
5.7. Desviación porcentual relativa media para los algoritmos serie
CPLEX, DIG, 3JD, 2JDi y 2JDi(90) con diferentes tiempos de
CPU como criterio de parada. En negrita (cursiva) se represen-
tan los mejores (peores) valores, respectivamente. . . . . . . . 187
5.8. Desviación porcentual relativa media para los algoritmos para-
lelo M-CPLEX, M-DIG y M-2JDi(90) con diferentes tiempos
de CPU como criterio de parada. En negrita (cursiva) se repre-
sentan los mejores (peores) valores, respectivamente. . . . . . 190
6.1. Ejemplo NAM: Tabla inicial. . . . . . . . . . . . . . . . . . . 206

6.2. Ejemplo NAM: Tabla de tres menores valores por trabajo y
cuarto menor valor en negrita. . . . . . . . . . . . . . . . . . 206
6.3. Ejemplo NAM: Tabla de diferencia de los tres menores valores
con el cuarto. Co = Ci′ si Ci′ <> 0 ó Co = Ci de la tabla 6.1 si
Ci′ = 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
6.4. Tabla de los resultados de las calibraciones para los algoritmos
NAM propuestos. Valores en segundos. . . . . . . . . . . . . 214
6.5. Tabla porcentual de la media de las diferencias respecto al
mejor resultado obtenido para todos los intervalos y 50 % de
máquinas sin usar con 300 segundos. . . . . . . . . . . . . . . 216
XXXIV ÍNDICE DE TABLAS

6.11. Tabla porcentual resumen para la media de todos los intervalos
y 20 %, 50 % y 80 % de máquinas sin usar con 60 y 300 segundos.221
6.12. Tabla porcentual de la media de las diferencias respecto a
la cota minima para todos los intervalos y 50 % de trabajos
realizados con 300 segundos. . . . . . . . . . . . . . . . . . . 230
A.1. Tabla completa para el intervalo U(1,100). . . . . . . . . . . . 258

A.2. Tabla completa para el intervalo U(10,100). . . . . . . . . . . 265
A.3. Tabla completa para el intervalo U(100,200). . . . . . . . . . 272
A.4. Tabla completa para el intervalo U(100,120). . . . . . . . . . 279
A.5. Tabla completa para el intervalo U(1000,1100). . . . . . . . . 286
A.6. Tabla completa de trabajos correlacionados. . . . . . . . . . . 293
A.7. Tabla completa para máquinas correlacionadas. . . . . . . . . 300
B.1. Tabla de datos estadísticos agrupados por trabajos para el in-

tervalo U(1,100). . . . . . . . . . . . . . . . . . . . . . . . . 303
B.2. Tabla de datos estadísticos agrupados por máquinas para el
intervalo U(1,100). . . . . . . . . . . . . . . . . . . . . . . . 304
Índice de tablas XXXV

tervalo U(10,100). . . . . . . . . . . . . . . . . . . . . . . . . 306
intervalo U(10,100). . . . . . . . . . . . . . . . . . . . . . . . 307
tervalo U(100,200). . . . . . . . . . . . . . . . . . . . . . . . 309
intervalo U(100,200). . . . . . . . . . . . . . . . . . . . . . . 310
tervalo U(100,120). . . . . . . . . . . . . . . . . . . . . . . . 312
intervalo U(100,120). . . . . . . . . . . . . . . . . . . . . . . 313
tervalo U(1000,1100). . . . . . . . . . . . . . . . . . . . . . . 315
intervalo U(1000,1100). . . . . . . . . . . . . . . . . . . . . . 316
B.11. Tabla de datos estadísticos agrupados por trabajos para traba-
jos correlacionados . . . . . . . . . . . . . . . . . . . . . . . 318
B.12. Tabla de datos estadísticos agrupados por máquinas para tra-
bajos correlacionados . . . . . . . . . . . . . . . . . . . . . . 319
B.13. Tabla de datos estadísticos agrupados por trabajos para máqui-
nas correlacionadas . . . . . . . . . . . . . . . . . . . . . . . 321
B.14. Tabla de datos estadísticos agrupados por máquinas para má-
quinas correlacionadas . . . . . . . . . . . . . . . . . . . . . 322
C.1. Calibración del algoritmo IGS: primera parte. . . . . . . . . . 324

C.2. Calibración del algoritmo IGS: segunda parte. . . . . . . . . . 324
C.3. Calibración del algoritmo IGD. . . . . . . . . . . . . . . . . . 325
C.4. Calibración del algoritmo NSP. . . . . . . . . . . . . . . . . . 325
C.5. Calibración del algoritmo Vir: Primera parte. . . . . . . . . . 326
C.6. Calibración del algoritmo Vir: Segunda parte. . . . . . . . . . 327
XXXVI ÍNDICE DE TABLAS
D.1. Tabla porcentual de la media de las diferencias respecto a

la referencia para el intervalo U(1,100) de los algoritmos de
reducción de tamaño para 15 segundos como tiempo de parada. 330
reducción de tamaño para 120 segundos como tiempo de parada.333
D.7. Tabla porcentual de la media de las diferencias respecto a la
referencia para el intervalo U(10,100) de los algoritmos de
D.10.Tabla porcentual de la media de las diferencias respecto a la
Índice de tablas XXXVII

D.13.Tabla porcentual de la media de las diferencias respecto a
la referencia para el intervalo trabajos correlacionados de los
algoritmos de reducción de tamaño para 15 segundos como
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 342
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 343
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 344
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 345
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 346
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 347
XXXVIII ÍNDICE DE TABLAS

referencia para el intervalo máquinas correlacionadas de los
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 348
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 349
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 350
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 351
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 352
tiempo de parada. . . . . . . . . . . . . . . . . . . . . . . . . 353
Índice de tablas XXXIX

XL ÍNDICE DE TABLAS

E.1. Tabla porcentual de la media de las diferencias respecto al

mejor resultado obtenido para el intervalo U(1,100) y 50 % de
máquinas quitadas con 300 segundos. . . . . . . . . . . . . . 396
máquinas quitadas con 60 segundos. . . . . . . . . . . . . . . 397
mejor resultado obtenido para el intervalo U(10,100) y 50 %
de máquinas quitadas con 300 segundos. . . . . . . . . . . . . 398
Índice de tablas XLI

mejor resultado obtenido para el intervalo Trabajos Correla-
cionados y 50 % de máquinas quitadas con 300 segundos. . . . 400
mejor resultado obtenido para el intervalo Máquinas Correla-
mejor resultado obtenido para el intervalo U(1000,1100) y
50 % de máquinas quitadas con 300 segundos. . . . . . . . . . 408
XLII ÍNDICE DE TABLAS

Índice de tablas XLIII

XLIV ÍNDICE DE TABLAS

CAPÍTULO
1
INTRODUCCIÓN
La programación de la producción es un proceso de toma de decisiones

que desempeña un papel crucial en la fabricación así como en los sistemas
de servicios e industrias. En el actual entorno competitivo, rápidamente cam-
biante, una programación efectiva se ha convertido en una necesidad para la
supervivencia en el mercado. Las empresas tienen que cumplir con los plazos
de producción y fechas de entrega comprometidos con los clientes y el no
hacerlo puede derivar en una pérdida económica significativa y de confianza
del cliente.
En términos generales, la programación de la producción se refiere a la asig-
nación de unos recursos, generalmente limitados, a unas tareas, durante un
tiempo. Es un proceso de toma de decisiones cuyo objetivo es la optimización
de uno o más objetivos sometido a limitaciones o restricciones de toda índole.
Los recursos y las tareas pueden tomar muchas formas. Por ejemplo, los recur-
sos pueden ser máquinas en un taller, pistas de aterrizaje en un aeropuerto, los
equipos de una obra de construcción, unidades de procesamiento por medio
de ordenadores, etc. Las tareas correspondientes pueden adoptar las formas
1
2 CAPÍTULO 1. INTRODUCCIÓN
siguientes: operaciones en un proceso de producción, despegues y aterrizajes

en el aeropuerto, las etapas de una obra, la ejecución de programas de ordena-
dor, etc. Además, cada tarea puede tener diferente tiempo de procesamiento,
nivel de prioridad (o peso), o una fecha de vencimiento. El objetivo también
puede tomar muchas formas. Uno de los objetivos es la reducción al mínimo
del tiempo en el que se termina la última tarea (lo llamamos la minimización
de makespan), otro la reducción al mínimo del número de tareas completadas
después de la fecha de vencimiento, etc.
La programación de la producción comenzó a ser tomada en serio en la indus-
tria al principio del pasado siglo con los trabajos de Henry Gantt (Gantt, 1910
y Gantt, 1919) y otros pioneros que siguieron sus ideas. Sin embargo, fueron
necesarios muchos años para que aparecieran las primeras publicaciones en la
literatura de la investigación operativa. Algunas de estas primeras publicacio-
nes aparecieron en la década de 1950. En concreto, tenemos los artículos de
Smith (1956), Johnson (1954), y Jackson (1956). Durante la década de 1960
una parte importante de los trabajos se centraron en la programación tanto
dinámica como entera para los problemas de programación de la producción.
Después de que Richard Karp publicara su famoso artículo sobre teoría de la
complejidad (Karp, 1975), la investigación en la década de 1970 se centró prin-
cipalmente en la jerarquía de la complejidad de problemas de programación
de la producción. En la década de 1980 se siguieron diferentes direcciones
tanto en la parte teórica como en la práctica, con una atención creciente en
la programación estocástica (Pinedo, 2008). Además, como los ordenadores
personales empezaron a ser de amplia difusión en el ambiente empresarial, los
sistemas de programación se estaban enfocando en el desarrollo de programas
que pudieran utilizarse en la práctica.
La programación de la producción puede ser difícil, tanto desde un punto de
vista teórico como práctico. Las dificultades teóricas son similares a las en-
contradas en otras ramas de la optimización combinatoria. Así, los resultados
teóricos obtenidos para otros problemas de optimización se pueden aplicar, al
3
menos parcialmente, a los problemas de programación de la producción. Por

desgracia, las dificultades encontradas durante la implementación son de un
tipo completamente diferente. Están relacionadas con la modelización de los
problemas de programación de la producción en el mundo real. En términos
generales, se puede decir que cada problema de programación de la producción
de la vida real es diferente, y requiere por lo tanto una modelización general-
mente ad-hoc, que en la mayoría de los casos se tiene que hacer desde cero.
Para una buena introducción en la teoría de la programación de la producción y
sus aplicaciones pueden consultarse los trabajos de Conway, Maxwell y Miller
(1967), Brucker (1995), Pinedo (2008) y Brucker (2005), entre muchos otros.
La planificación y programación de la producción es una herramienta im-

portante en la toma de decisiones para la mayoría de las empresas tanto en
el sector industrial como en el de servicios, así como para la mayoría de los
entornos de procesamiento de información donde puede tener un gran impacto
en la productividad de un proceso. En la industria, el fin de la programación
de la producción es reducir al mínimo el tiempo de producción y los costos,
teniéndose en cuenta que en una planta de producción se deben decidir cosas
como lo que se debe hacer, cuándo, con qué personal, y/o con qué equipo. Del
mismo modo, la programación de la producción de las empresas de servicios,
tales como líneas aéreas y el transporte público, tiene como objetivo maximizar
la eficiencia de las operaciones y reducir sus costos. Las modernas herramien-
tas informaticas de programación de la producción superan ampliamente a los
antiguos métodos de programación manual. Éstas proporcionan al planificador
de producción unas poderosas interfaces gráficas que se puede utilizar para
optimizar las cargas de trabajo en tiempo real en las diversas etapas de la
producción (véase, p.e., Pinedo, 2009). Así, por ejemplo, las compañías aéreas
podrían preferir minimizar el número de puertas del aeropuerto necesarias para
sus aviones, con el fin de reducir los costos, y el software de programación
puede permitir a los planificadores ver cómo puede hacerse esto mediante
el análisis de los horarios, el uso de las aeronaves, o el flujo de pasajeros.

Las empresas utilizan la programación de la producción para planificar sus
recursos humanos y materiales tanto en sentido temporal hacia atrás como
hacia adelante. La programación de la producción hacia atrás es la planifi-
cación de las tareas con una fecha de vencimiento para determinar la fecha
de inicio y/o cualquier variación de las necesidades requeridas, mientras que
la programación hacia adelante es la planificación de las tareas con fecha de
inicio para determinar la fecha de envío o la fecha de vencimiento. Véanse,
por ejemplo los trabajos de Raghavan y Thompson (1987), Ovacik y Uzsoy
(1996), Tsang y Voudouris (1997), Yu et al. (2002) y Pinedo (2009), de nuevo,
entre muchos otros, ya que, como es bien conocido, la literatura existente sobre
la programación de la producción es muy extensa.
1.1. Programación de la producción

En la programación de la producción hay dos fases claramente diferen-
ciadas, la fase de secuenciación y la fase de programación. La secuenciación
consiste en la asignación de recursos en el tiempo para la realización de un
conjunto de tareas. Previa a la secuenciación, se supone que la planificación
de la producción ya se ha realizado, es decir, se sabe qué productos se van a
realizar, las cantidades de cada uno de ellos y la configuración, disposición y
cantidad de recursos disponibles. Esta secuenciación es de vital importancia
para las empresas. En el contexto de la presente Tesis Doctoral y sin pérdida
de generalidad, nos referiremos a los recursos como máquinas y a cada pedido
de la producción como trabajo. Así pues, la programación de la producción la
podemos ver como una asignación de los trabajos a las máquinas (asignación),
la ordenación de los trabajos asignados a cada máquina (secuenciación) y la
obtención de los tiempos de inicio y finalización de cada trabajo (programa-
ción).
Procedamos a realizar una clasificación de los distintos problemas de
1.1. Programación de la producción 5
secuenciación atendiendo a la configuración productiva (Portmann, 1997 ó

Pinedo, 2008):
Problemas de una máquina: solo existe una máquina y cada trabajo

solo tiene una operación. No hay problema de asignación pero si de
secuenciación.
Problemas de máquinas paralelas: existen dos o más máquinas dispues-

tas en paralelo, donde los trabajos solo tienen una única operación. En
general, se tienen que asignar y secuenciar los trabajos en las máquinas,
aunque dependerá del objetivo optimizar. Los problemas de máquinas
paralelas pueden asimismo dividirse según la naturaleza de las máquinas
en:
• Máquinas paralelas idénticas: cada trabajo se procesa a la misma

velocidad con independencia de la máquina a la que ha sido asig-
nado.
• Máquinas paralelas uniformes: algunas máquinas son capaces de
procesar todos los trabajos más rápido (o lento) que las demás. A
veces se las llama máquinas proporcionales.
• Máquinas paralelas no relacionadas: la velocidad de proceso de-
pende de la máquina y del trabajo que está procesando. Es un caso
más general que engloba a los otros dos.
Problemas de tipo taller. En estos problemas, existen varias etapas que

se deben visitar para completar los trabajos. Adicionalmente, existe
una relación de precedencia entre las etapas para cada trabajo. A esta
relación se la denomina ruta. Los problemas de tipo taller se subdividen
a la vez atendiendo a las características de las rutas en:
• Taller abierto: no existe ninguna restricción en la ruta, por lo que

las operaciones pueden efectuarse en cualquier orden.
• Taller de flujo: todos los trabajos tienen la misma ruta, es decir,

existe una ordenación previa de etapas o máquinas que es la misma
para todos los trabajos.
• Taller de trabajo: cada trabajo tiene su propia ruta a seguir dentro
de las máquinas.
1.2. Notación y clasificación

Los problemas de programación de la producción vienen determinados
por el número de trabajos y las operaciones a procesar, el número y tipo
de máquinas, el flujo de las operaciones en las máquinas y los criterios de
optimización, entre otros datos.
Se asume normalmente un número de trabajos y máquinas finito y determinis-
ta. Según Baker (1974) y Pinedo (2008), en los problemas de producción hay
un conjunto N de trabajos, donde N = 1, 2, ..., n, que hay que procesar en
un conjunto M de máquinas, M = 1, 2, ..., m. Utilizamos los subíndices j y
k para referirnos a los trabajos y el subíndice i para las máquinas y donde pij
representa el tiempo de proceso del trabajo j en la máquina i.
Para la clasificación de los diversos problemas de la producción se han

propuesto numerosas notaciones, entre las que podemos destacar la de nota-
ción cuádruple empleada por Conway, Maxwell y Miller (1967), la algo más
elaborada presentada por Rinnooy Kan (1976) y la más frecuentemente usada,
introducida por Graham et al. (1979), basada en la tripleta α/β/γ y ampliada
en trabajos como los de Blazewicz, Lenstra y Kan (1983), Lawler, Lenstra
y Kan (1993), Blazewicz et al. (1996), Portmann (1997) y Pinedo (2008).
Pasemos a detallar parte de esta notación con las aportaciones de los trabajos
citados:
El campo α se subdivide a su vez en α1 y α2 , donde α2 representa el

1.2. Notación y clasificación 7
número de máquinas fijado (en caso de no figurar dependerá del ejemplo a

resolver) y α1 puede tener los valores de:
1: una sola máquina.
P : máquinas paralelas idénticas.
Q: máquinas paralelas uniformes.
R: máquinas paralelas no relacionadas.
O: taller abierto.
F : taller de flujo.
J: taller de trabajo.
El campo β indica las características de los trabajos, las cuales son muy
numerosas, por lo que los autores dividen este campo en varios subcampos. En
el caso de no figurar de forma expresa, se entiende que no se da la característica
indicada. Los subcampos más usuales son:
pmtn: se permite interrumpir las operaciones y continuarlas más tarde o en
otra máquina (también se conoce como prmp).
prec: relaciones de precedencia.
rj : tiempo en el cual el trabajo j esta listo para procesarse (release date).
Snsd : existen tiempos de cambio o preparación en las máquinas antes de pro-
cesar un trabajo que no dependen de la secuencia. Se denotan por Sij .
Ssd : existen tiempos de cambio o preparación en las máquinas antes de proce-
sar un trabajo que sí dependen de la secuencia. Se denotan por Sijk .
dj : fecha de compromiso de realización de cada trabajo (due date). Se permite
la finalización posterior pero con penalización.
dj : fecha de finalización obligatoria (deadline).
prmu: el orden de entrada de los trabajos es el mismo para todas las máquinas.
Solo aplicable cuando α1 = F .
brkdwn: las máquinas están sujetas a averías o a periodos donde no pueden
procesar trabajos.
nwt: sin esperas entre dos máquinas. A veces implica retrasar el inicio de las
operaciones de un trabajo.
block: bloqueo. Existe una capacidad (o buffer) finita para almacenar el pro-
ducto en curso. Si se llena el buffer de una máquina, está quedará bloqueada
por el último trabajo que ha procesado y no ha podido dejar en el buffer.
recrc: recirculación. Indica que un trabajo (o más) pueden necesitar ser pro-
cesados más de una vez por alguna (o varias) de las máquinas. Solo cuando
α1 = O, F, J.
Mj : restricción de uso de máquinas. Implica que un trabajo (o más) solo puede
ser procesado en determinadas máquinas.
pij = p: todos los tiempos de trabajo son iguales a p. Una variante común es
hacer p = 1.
Finalmente, el campo γ nos da información acerca del criterio de optimiza-

ción que se ha empleado. Antes definiremos una serie de conceptos y paráme-
tros adicionales, que nos permitirán definir mejor las medidas de optimización
(French, 1982).
aj : periodo permitido para el proceso de trabajo. aj = dj − rj ó aj = dj − rj .
Wij : tiempo de espera del trabajo j antes de empezar a procesarse en la
máquina i.
Wj : tiempo total de espera del trabajo j.
Ci : tiempo de finalización de la maquina i.
Cmáx : tiempo máximo de finalización de todos los trabajos o makespan. El
makespan óptimo se denota por Cmáx ∗ .
Ii : tiempo ocioso o sin procesar trabajos de la máquina i.

Fj : tiempo de flujo o cantidad de tiempo que el trabajo j permanece en el taller.
Fj = Cj − rj
Lj : holgura frente a la fecha de finalización de un trabajo. Lj = Cj − dj ó
Lj = Cj − dj .
Tj : retraso de un trabajo j. Tj = máx{Lj , 0}.
Ej : adelanto de un trabajo j. Ej = máx{−Lj , 0}.
1.2. Notación y clasificación 9
Procedamos a definir ahora algunos de los criterios de optimización más

comunes:
Cmáx : minimización del tiempo máximo de finalización de todos los trabajos
o makespan.
C: minimización del tiempo medio de finalización.
Fmáx : minimización del tiempo máximo de flujo.
F : minimización del tiempo medio de flujo.
Lmáx : minimización de la máxima holgura.
L: minimización de la holgura media.
Tmáx : minimización del retraso máximo.
T : minimización del retraso medio.
Emáx : minimización del adelanto máximo.
E: minimización del adelanto medio.
NT : minimización del número de trabajos retrasados.
∑n
j=1 Ej + Tj : minimización de la suma de retrasos y adelantos.
∑m
i=1 Ii : minimización de los tiempos ociosos.
Evidentemente, muchos de estos objetivos admiten una ponderación de los

mismos sin más que añadir el correspondiente peso (denominado wj ) a sus
componentes.
Como ejemplo de esta notación podemos ver R4/pmtn/Cmáx donde se

tendría un problema de cuatro máquinas paralelas no relacionadas, en las que
se permite interrumpir las operaciones y con el objetivo de minimizar el Cmáx .
La notación de los problemas de máquinas paralelas con el objetivo de mi-

nimizar el Cmáx sería P//Cmáx para el caso de máquinas paralelas idénticas,
Q//Cmáx para el caso de máquinas paralelas uniformemente relacionadas y
R//Cmáx cuando las máquinas paralelas no están relacionadas.
1.3. Motivación
A la hora de iniciarse la presente Tesis Doctoral buscamos un problema
de programación de la producción relativamente sencillo que tuviera amplia
aplicación en distintos ámbitos y del que pudieran derivar problemas más com-
plejos. Nos centramos en el problema máquinas paralelas, y dentro de él, en el
de máquinas paralelas no relacionadas, ya que éste último es el más general de
los tres problemas de máquinas paralelas. Este entorno, a pesar de parecer
de carácter marcadamente teórico, tiene aplicaciones directas en el mundo
empresarial, desde sencillos ejemplos como una empresa de reprografía hasta
empresas cerámicas tan abundantes en nuestra comunidad. Observemos que en
el sencillo caso de una empresa de reprografía donde se deban realizar distintos
trabajos, de distintas características y se posean distintas máquinas, asignar los
diferentes trabajos a las máquinas de forma que se finalice la totalidad de los
trabajos lo antes posible, ya conlleva una tarea de programación de la produc-
ción. Para el caso de las empresas cerámicas, nos encontramos que algunas
de ellas solo quieren secuenciar sus recursos más conflictivos: los hornos, así
que toda su problemática inicial se reduce a una adecuada secuenciación de
los trabajos en los hornos, dado que para el resto de la producción no tienen
a priori mayor problema. Los distintos hornos tienen distintas características
por lo que los trabajos que se efectúan en ellos tienen distintos tiempos de
ejecución. Existen muchos otros casos donde el problema reside en una etapa
crítica, la cual, secuenciada correctamente, proporciona una ganancia neta muy
alta en todo el proceso. Evidentemente, una vez se han optimizado los hornos,
se puede comprobar como se puede optimizar el resto de la producción, por lo
que entramos en problemas más complejos como el del taller de flujo, por citar
un ejemplo.
Una vez determinado el problema base sobre el que queríamos trabajar, pen-
samos no quedarnos solo ahí, si no dar una paso más e introducirnos en
una variante del problema que consideramos interesante, la cual consiste en
1.3. Motivación 11
secuenciar el problema en el caso de no tener que usar todas las máquinas o

no realizar todos los trabajos. La novedad estriba en que el uso de todas las
m máquinas disponibles es opcional y se relaja la restricción de que todos
los n trabajos deben secuenciarse, es decir, se permite la selección de los
trabajos. Este problema generalizado permite modelizar situaciones donde se
pueden usar más o menos máquinas de las disponibles, como cuando se desea
reducir o ampliar la capacidad de un taller, o donde se quiere seleccionar los
trabajos a procesar para, por ejemplo, fabricar aquellos más rentables o menos
problemáticos. En los tiempos actuales de crisis, donde la demanda puede
disminuir para algunas empresas, el ser capaces de decidir qué máquinas de
las que tenemos nos conviene parar y cuáles mantener activas para optimizar la
carga de trabajo que tenemos, puede tener una alta repercusión económica que
debería estar sustentada en pruebas objetivas y resultados fiables para tomar
la decisión más adecuada. Es por ello que consideramos que la modelización
de problemas donde la totalidad de máquinas y trabajos no sea una restricción,
debería ser un tema a tener en cuenta.
Finalmente, dado el actual proceso de integración en el mismo ordenador de
varios núcleos de procesamiento, del que los paquetes de software comerciales
empiezan a hacer uso con la paralelización de tareas, creímos conveniente
adentramos en este tipo de programación. Lo que queríamos, es que los al-
goritmos con mejores resultados que desarrolláramos, finalmente emplearan
todos los núcleos que hubiera disponibles aunque fuera de una manera simple
en aras de una iniciación en la programación paralela.
Con estas motivaciones, procedimos a marcarnos una serie de objetivos a
alcanzar durante la realización de esta Tesis, que pasamos a detallar a con-
tinuación.
1.4. Objetivos
El objetivo principal de esta Tesis Doctoral es el desrrollar unos algoritmos
sencillos, pero potentes, para la resolución del problema de máquinas parale-
las no relacionadas con el objetivo de minimizar el Cmáx . Con este mismo
objetivo, se pretende realizar una generalización del mismo para el caso en
el que no se empleen todas las máquinas o no se realicen todos los trabajos.
Para ello, se llevará a cabo un estudio profundo de la literatura concerniente
al problema tratado para poder estudiar los distintos métodos ya existentes
para la resolución de este problema, así como el poder identificar el estado del
arte concerniente a R//Cmáx . Así mismo, se proponen una serie de instancias
lo suficientemente representativas como para efectuar amplios tests compu-
tacionales y estadísticos en los que basar nuestros resultados y conclusiones.
También se tiene en cuenta el comportamiento de un moderno solver comercial
para la resolución de este tipo de problemas, dado que, como se verá, no se
comparaban los distintos resultados de la literatura con los ofrecidos por un
solver comercial. Una vez efectuado esto, nos planteamos desarrollar unos
métodos cuanto menos competitivos con el estado del arte a la par que sencillos
para una fácil implementación de los mismos. El lograr esto se antoja una labor
árdua toda vez que hacía ya varios años que no se aportaba nada nuevo capaz de
igualar siquiera el estado del arte. Una vez logrados unos algoritmos sencillos
y potentes nos planteamos tratar de afinarlos lo máximo posible para que sean
capaces de obtener aún mejores resultados. Tras esto, nos ponemos también
como objetivo adentrarnos en el mundo de la programación paralela dado
que los modernos ordenadores ya poseen varios núcleos integrados dentro
del mismo chip y los más novedosos solvers hacen amplio uso de este hecho
mediante la paralelización de tareas. Finalmente se plantea estudiar los casos
en el que el número de máquinas es opcional o que la cantidad de trabajos es
seleccionable.
1.5. Estructura de la Tesis Doctoral 13
1.5. Estructura de la Tesis Doctoral

En el capítulo 2 se hace una primera aproximación a los problemas de má-
quinas paralelas. Después de esta primera aproximación, tanto en su formato
de máquinas paralelas idénticas, uniformemente relacionadas o no relaciona-
das, se pasa a profundizar en el problema fundamental de esta Tesis, es decir,
el de las máquinas paralelas no relacionadas. Se procede a ello mediante un
estudio profundo de la bibliografía existente sobre el problema y un análisis
más detallado de los métodos que constituyen el estado del arte, con mención
al solver comercial IBM-ILOG CPLEX como opción para la resolución de este
problema.
En el capítulo 3 presentamos los primeros algoritmos basados en un bucle
general con búsquedas locales en vecindarios cada vez mayores seguidos de
una modificación parcial de la solución. Se introduce también el grupo de
instancias que se emplearán a lo largo de toda la Tesis y se muestran los
resultados de estos algoritmos enfrentados al estado del arte.
A lo largo del capítulo 4 se presentan nuevos métodos que modifican a los ex-
puestos en el capítulo anterior con la idea de obtener una mejora significativa,
para finalizar en un algoritmo híbrido que recoge las mejores características de
todos los algoritmos propuestos.
En el capítulo 5 se propone un acercamiento al problema desde una perspectiva
diferente, basada en una reducción de las dimensiones del problema. Así mis-
mo se proponen varios algoritmos paralelos para la resolución del problema y
se hace una amplia comparativa entre los mejores algoritmos propuestos.
El capítulo 6 trata de la introducción al problema de no emplear todas las
máquinas o de no realizar todos los trabajos, es decir, el problema donde
existen máquinas opcionales y selección de trabajos. Se da primeramente la
formulación matemática de éstos problemas indicándose sus restricciones más
habituales así como sus limitaciones, para acabar proponiendo unos algoritmos
para la resolución de estos casos.
El capítulo 7 expone las conclusiones alcanzadas durante la presente Tesis

Doctoral y las líneas futuras de investigación a desarrollar a resultas del trabajo
aquí expuesto.
En el anexo A mostramos las tablas con los resultados, detallados para cada
instancia, de los algoritmos iniciales propuestos así como del estado del arte.
El anexo B muestra los gráficos y tablas de interacción de los distintos algo-
ritmos con el número de trabajos y el número de máquinas. La calibración de
los algoritmos propuestos viene reflejada en el anexo C, mientras que en el
anexo D presentamos las tablas y gráficos estadísticos correspondientes a los
algoritmos de reducción de tamaño propuestos en el capítulo 5. El anexo E
muestra las tablas y gráficos referentes al problema de máquinas opcionales
y selección de trabajos tratado en el capítulo 6. Finalmente en el anexo F se
han incluido los artículos enviados y aceptados a diferentes revistas, presenta-
ciones y publicaciones en congresos, resultado de las diversas investigaciones
desarrolladas en la presente Tesis Doctoral.
CAPÍTULO
2
MÁQUINAS PARALELAS
Hemos visto en el capítulo 1 una primera definición de los distintos tipos

de problemas de máquinas paralelas. En este capítulo procederemos a estudiar
más en detalle estos problemas. En la presente Tesis Doctoral trataremos con
los problemas de máquinas paralelas deterministas donde se conocen inicial-
mente el número de máquinas y de trabajos, así como sus características.
Igualmente, la matriz de los tiempos de proceso de un trabajo j en una máquina
i (pij ) es conocida de antemano y determinista. También asumiremos que
trabajamos con las restricciones de que cada trabajo se asignará a una sola
máquina y no se podrá interrumpir una vez éste se ha iniciado. Todos los
trabajos están disponibles en el tiempo cero. Tampoco ninguna máquina podrá
procesar más de un trabajo a la vez, no sufren roturas ni paradas y siempre
están disponibles. Nuestro objetivo sera la minimización del Cmáx . Nótese, y
como veremos en detalle más adelante, que con el objetivo de minimizar el
Cmáx , el problema se reduce a una asignación de los trabajos a las máquinas.
Esto es debido a que el valor del Ci (tiempo de finalización) de cada máquina,
una vez asignados todos los trabajos, es independiente de la secuencia.
15
16 CAPÍTULO 2. MÁQUINAS PARALELAS
Pongamos un ejemplo gráfico. Por ejemplo, tenemos la tabla de tiempos de

proceso 2.1, donde se destacan en negrita y cursiva una asignación cualquiera
de los trabajos a las distintas máquinas:
J1 J2 J3 J4 J5
M1 5 10 15 45 15
M2 15 10 35 20 60
M3 45 55 5 15 30
Tabla 2.1 – Tabla de tiempos de proceso de ejemplo de

asignación en máquinas paralelas.
La asignación de trabajos podría ser la siguiente:
Makespan = 45
Máquina 1 1 3
Máquina 2 2
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45
Trabajo 1 Trabajo 2 Trabajo 3 Trabajo 4 Trabajo 5
Figura 2.1 – Diagrama de Gantt con la asignación de

trabajos en máquinas paralelas.
Por tanto, en nuestro caso concreto, el hallar el Cmáx , se reduce a un

17
problema de asignación, ya que una vez asignado un trabajo a una máquina,

no influye el orden en que éstos se procesen. Por ejemplo, fijémonos en la
máquina 3, daría igual procesar primero el trabajo 4 y después el 5 tal y como
aparece en la figura 2.1 o al revés, ya que el instante de finalización en la
máquina C3 = Cmáx = 45 no cambiaría.
Nótese que esta propiedad del problema de máquinas paralelas es válida para
el objetivo de minimizar el Cmáx , dado que otros objetivos, como minimizar
la tardanza media o la tardanza máxima, sí que dependen de la secuencia
dentro de cada máquina. No obstante, estos aspectos quedan fuera del presente
trabajo.
En cuanto a la dificultad que entrañan este tipo de problemas, mencione-

mos que en un principio y de una manera intencionadamente simplificada, se
clasificaron los problemas de programación en fáciles (es decir, resolubles en
tiempo polinómico P) y difíciles (es decir, N P-Hard). Posteriormente Schuur-
man y Woeginger (1999) profundizarón en esta clasificación de los problemas.
Los problemas de máquinas paralelas sin interrupción pertenecen a la rama de
los problemas de difícil resolución, ya que la inmensa mayoría de ellos son
del tipo N P-Hard. Por lo tanto, es poco probable (de hecho, a menos que
P = N P) que exista un algoritmo de tiempo polinómico capaz de calcular un
Cmáx óptimo.
Una forma habitual para el tratamiento de los problemas N P-Hard no es la
búsqueda de una solución óptima, sino una búsqueda de soluciones buenas o
quasi-óptimas. Un algoritmo que de soluciones buenas se le denomina algorit-
mo de aproximación. Si se ejecuta en tiempo polinómico, entonces recibe el
nombre de algoritmo de aproximación de tiempo polinomial. Un algoritmo de
aproximación que devuelve una solución casi óptima, que es como mucho un
factor ρ por encima de la solución óptima (donde ρ > 1 es un número real fijo)
se llama un algoritmo ρ de aproximación, y el valor de ρ se llama factor de
aproximación. A la familia de algoritmos de aproximación (1 + ϵ, con ϵ > 0)
se denomina algoritmos de régimen de tiempo polinomial de aproximación o

PTAS, para abreviar. Si la complejidad del tiempo de un PTAS está también
polinómicamente delimitada por 1/ϵ, entonces se le llama algoritmos de ré-
gimen de tiempo polinomial de aproximación completo o FPTAS. Un FPTAS
es, esencialmente, la aproximación más fuerte posible, de tiempo polinomial,
que podemos obtener para un problema N P-Hard. Para profundizar más sobre
los algoritmos de aproximación de tiempo polinómico para programación de
la producción pueden consultarse los trabajos de Chrétienne et al. (1995) y de
Hochbaum (1997).
Otra posibilidad de resolver problemas difíciles de programación es considerar
algoritmos heurísticos con la esperanza de obtener resultados cercanos al óp-
timo. Sin embargo, mediante el uso de heurísticas, hay que tener presente que
en ocasiones no se tiene garantía de la calidad de la solución y/o del tiempo de
cálculo.
2.1. Máquinas paralelas idénticas

En primer lugar, consideremos el problema de programación con máquinas
idénticas denotado por Graham et al. (1979) como P//Cmáx . En este caso, el
tiempo de proceso del trabajo j ∈ N en cualquier máquina i ∈ M es igual a
pj . Esto viene a significar que las máquinas son idénticas y que, por ejemplo
tarda el mismo tiempo en procesar el trabajo la máquina 1 que la máquina
2. Este problema es de interés porque minimizar el makespan tiene el efecto
de equilibrar la carga entre las diversas máquinas, lo que es importante en
la práctica. Para este problema P//Cmáx , en Garey y Johnson (1979) ya se
demostró que pertenecía al tipo N P-Hard. Incluso la versión de dos máquinas
(P 2//Cmáx ) es ya NP-Hard según Lenstra, Rinnooy Kan y Brucker (1977).
Durante las últimas tres décadas se han desarrollado muchos algoritmos de
aproximación y heurísticas para el problema P//Cmáx . Quizá uno de los
primeros resultados sencillos para delimitar el peor caso vino dado por el
2.1. Máquinas paralelas idénticas 19
rendimiento del LS (lista de programación o list scheduling) dada por Graham

(1966), 2 − m 1
, es decir, que la mejor solución del peor caso que se puede dar
1
es dos menos m veces la solución óptima. El algoritmo asigna cada trabajo a
la máquina que en ese momento tiene una menor carga de trabajos asignados.
La regla LPT (el trabajo con el tiempo de proceso más alto se secuencia
primero) asigna, en el tiempo cero, el trabajo j con el tiempo de proceso
más largo a una máquina. Continúa asignando a las máquinas libres (o menos
sobrecargadas) los trabajos con tiempo de proceso más largos. La heurística
trata de dejar los trabajos con tiempos de procesado más cortos al final de la
secuencia con la idea de equilibrar las cargas de trabajo de todas las máquinas.
En el caso de usar LPT, se mejora el mejor peor caso anterior, y que vendrá
dado por un valor menor o igual a 34 − 3m 1
, tal y como se mostró en Graham
(1969). Es más, demostraron que en el caso de dos máquinas idénticas, el
valor del factor de aproximación sería de 76 . Seiden, Sgall y Woeginger (2000)
demostraron que para el caso de tres máquinas este factor podía llevarse hasta
√
1
6 (1 + 37) ≈ 1, 18.
Posteriormente, Sahni (1976) desarrolló unos algoritmos más complicados que
podían obtener resultados tan cercanos al óptimo como se desease, pero a costo
de un crecimiento exponencial del tiempo de ejecución. Más tarde Hochbaum
y Shmoys (1987) propusieron una mejora de estos algoritmos que redujeron
en parte el tiempo de ejecución.
Posteriormente se propuso por Coffman, Garey y Johnson (1978) el algoritmo
MF (ajustes múltiples), que posteriormente mejoró Friesen (1984). La idea
consiste en encontrar (por búsqueda binaria) la capacidad más pequeña de
un compartimiento (bin) tal que un grupo de m bins puedan acomodar todos
los trabajos cuando los trabajos están tomados en orden no creciente de pj .
El conjunto de trabajos del j-ésimo bin será procesado en la máquina i. Si
se realizan k intentos de embalaje, el algoritmo, ahora denominado M Fk ,
proporcionará una aproximación igual o menor que 1, 2 + 21k . Obsérvese que
usando la búsqueda binaria, con tan solo siete iteraciones del algoritmo M Fk
obtendrá una desviación respecto al óptimo menor o igual que 1, 2 + 0, 001.

Estos valores fueron posteriormente mejorados por Langston (1981), quien
modificó el algoritmo MF usando técnicas similares a las de Friesen (1984),
72
llegando a valores de 61 .
Finalmente señalar que Dell’Amico y Martello (1995) consiguieron mejorar
todo los algoritmos presentes hasta la fecha. Posteriormente Mokotoff (2004)
presentó un trabajo basado en un branch and bound pero, tal y como le
contestaron en Dell’Amico y Martello (2005), estaba lejos de alcanzar los
excelentes resultados anteriores de estos autores. Más tarde, en el artículo de
Dell’Amico et al. (2008) propusieron dos nuevos algoritmos, uno exacto y otro
metaheurístico basado en un scatter search, con muy buenos resultados.
2.2. Máquinas paralelas uniformemente relacionadas

Para el caso de máquinas uniformemente relacionadas o Q//Cmáx , la
expresión de los tiempos de proceso viene dada por pij = pj /si , donde si
es la velocidad de la máquina i. Esto quiere decir que el tiempo de proceso en
cada máquina viene afectado por un valor relativo a la velocidad de la misma.
Por ejemplo si la máquina 2 es el doble de rápida que la máquina 1, el tiempo
de proceso del trabajo 1, será la mitad en la máquina 2 que en la máquina 1.
Nótese que este caso es una generalización del caso anterior, por lo que es un
problema N P-Hard.
En el artículo de Liu y Liu (1974) aparecen estudios sobre numerosas cuestio-
nes acerca de las máquinas relacionadas. En Graham (1966) y Graham (1969)
se generalizó el algoritmo LPT para hacerlo aplicable al problema Q//Cmáx .
Para ello, se asignaba cada trabajo en orden no creciente de pj a la máquina
que finalizara antes, es decir, se asignaba el trabajo j a la máquina i de forma
p
que se minimice ζi + sji , donde ζi es la carga de la máquina i justo antes de
la asignación del trabajo j. En general se demostraba que la diferencia con
el óptimo es menor o igual a 2 − m+1 2
. En Gonzalez, Ibarra y Sahni (1977)
2.3. Máquinas paralelas no relacionadas 21
se dieron ejemplos para el algoritmo LPT donde la diferencia con el óptimo se

aproximaba a 32 cuando m tiende a infinito. También demostraron que, con dos
máquinas uniformes (o relacionadas), cualquier ratio de velocidad q mayor que
√
uno, el valor del factor de aproximación era de 41 (1+ 17) ≈ 1, 28, donde q es
la relación entre la máquina más rápida y la más lenta. Posteriormente, Epstein
y Favrholdt (2005) proporcionaron un factor de aproximación exacto para el
algoritmo LPT en función del ratio q. Para el caso general de m máquinas
relacionadas, Friesen (1987) proporcionó, para el algoritmo LPT, un valor de
aproximación comprendido entre 1,52 y 1,66.
Sin embargo, Friesen y Langston (1983) modificaron el algoritmo MF de
Coffman, Garey y Johnson (1978) adaptándolo para el caso de máquinas uni-
formemente relacionadas y consiguieron un peor caso para MF menor 1,40.
En el mismo articulo mostraron un peor caso de 1,34, por lo que concluyeron
que el peor caso estaba comprendido entre 1,34 y 1,40 para Q//Cmáx .
Hochbaum y Shmoys (1988) mostraron un algoritmo basado en un procedi-
miento de decisión en el que se comprobaba si existía una secuencia para una
instancia donde todos los trabajos se completen en un tiempo T . Entonces el
problema de decisión puede ser contemplado como un bin-packing, donde el
T mínimo se calcula mediante un procedimiento de búsqueda binaria simple.
Tras el artículo de Epstein y Favrholdt (2005), hubieron algunos otros algo-
ritmos destacables, aunque en su mayoría incluyeron más restricciones; así Li
(2006) realizó una generalización del articulo Lin y Li (2004) para tiempos de
proceso iguales; o el artículo de Dosa y Epstein (2008), donde dieron una cota
inferior para el problema de máquinas paralelas uniformes donde las máquinas
pueden ser interrumpidas.
2.3. Máquinas paralelas no relacionadas

Por último, tenemos el caso más general, en el que las máquinas no están
relacionadas y los tiempos de proceso son pij , con lo que el tiempo de proceso
depende del trabajo j a realizar y de la máquina i donde se vaya a procesar.

Siguiendo la clasificación de Graham et al. (1979) este problema para el obje-
tivo de minimizar el Cmáx queda definido como R//Cmáx .
Pasemos a definir matemáticamente este problema, mediante programa-

ción lineal entera mixta (MILP). El objetivo, es el ya mencionado, minimizar
el makespan (Cmáx ), cuyo valor será siempre no negativo.
Las variables de decisión son las siguientes:

{
1, si el trabajo j se asigna a la máquina i
xij =
0, en caso contrario
Función objetivo:
mı́n Cmáx (2.1)
s.a.:
∑
m
xij = 1 ∀j ∈ N (2.2)
i=1
∑
n
pij · xij ≤ Cmáx ∀i ∈ M (2.3)
j=1
xij ∈ {0, 1} ∀j ∈ N, ∀i ∈ M (2.4)
El primer conjunto de restricciones (2.2) asegura que el trabajo j se procesa

exactamente en una única máquina, ya que la suma la variable binaria xij de si
se hace o no el trabajo j en la máquina i para todas las máquinas, ha de ser 1.
El segundo conjunto de restricciones (2.3) fuerza a que el valor máximo de
la suma de todos los trabajos asignados a cada máquina sea el del Cmáx . Así,
la suma del producto de la variable binaria (se hace o no el trabajo j en la
máquina i) por el tiempo de proceso, nos dará lo que tarda cada máquina en
acabar de procesar todos los trabajos que tenga asignados, y esta suma podrá
ser como máximo el valor del Cmáx .

Existen otros modelos como los propuestos por Unlu y Mason (2010), pero
el modelo expuesto es el más habitual en la literatura para el problema de
R//Cmáx .
Es fácil constatar que este problema es una generalización de los dos preceden-
tes (máquinas idénticas y máquinas relacionadas), por lo que la complejidad
de este problema es, así mismo, N P-Hard.
Dado que la presente Tesis Doctoral se va a centrar en el problema de

máquinas paralelas no relacionadas, haremos un estudio más profundo de la
literatura existente sobre este problema para finalmente identificar el estado
del arte.
2.3.1. Revisión bibliografía

Tal y como podemos observar en las revisiones publicadas sobre máquinas
paralelas como la de Cheng y Sin (1990) o la de Mokotoff (2001), los artículos
publicados en máquinas paralelas no relacionadas son escasos con respecto a
los publicados en cualquiera de las otras dos variantes. No obstante, pasemos
a estudiar los artículos más relevantes publicados con respecto al problema de
máquinas paralelas no relacionadas.
Ya desde los finales de los años cincuenta, con el trabajo de McNaughton

(1959), se viene estudiando el problema de máquinas paralelas no relacionadas
Las primeras aproximaciones se realizaron mediante secuenciación de listas
(list scheduling) o reglas de despacho, a las que se le aplicaba una regla para de-
terminar la asignación, como la regla LPT (longest processing time) de Graham
(1969), consistente en asignar primero los trabajos de tiempo de proceso más
largos, que garantizaba un error para el peor caso de 2 − 1/ε. Posteriormente
Horowitz y Sahni (1976) propusieron algoritmos de programación dinámica y
algunos métodos aproximados para el caso de R2//Cmáx . Ibarra y Kim (1977)
presentaron cinco métodos aproximados para los casos de 2 y m-máquinas

junto con la prueba de que la regla LPT tiene un error ligeramente más ajustado
que el de Graham (1969) para el caso del Cmáx y grandes valores de m. De y
Morton (1980) propusieron heurísticas que ofrecían resultados cercanos al óp-
timo para problemas relativamente pequeños. Davis y Jaffe (1981) propusieron
√
un algoritmo aproximado con un error para el peor caso de 2 m. Más tarde,
Lenstra, Shmoys y Tardos (1990) mostraron otra heurística cuyo mejor peor
caso tenia un ratio de 2. Es más, en este mismo articulo demostraron que, para
la resolución del problema genérico R//Cmáx , ningún algoritmo de tiempo
polinómico puede obtener una solución con un ratio mejor que 3/2, a menos
que P = N P. Esto implica que el peor de los casos estará a una vez y media
del óptimo.
Gran parte del esfuerzo de investigación a lo largo de la literatura se

ha concentrado en la idea de resolver la relajación lineal del modelo MILP
presentado en la sección 2.3 transformando la restricción (2.4) y teniendo en
cuenta la restricción (2.5) en su lugar.
xij ≥ 0 ∀j ∈ N, ∀i ∈ M (2.5)
La solución óptima de la relajación del MILP se alcanza en la primera fase.

En la segunda fase, un método de redondeo se aplica para obtener una solución
factible del problema. Este método de redondeo o rounding phase puede ser
tanto exacto como aproximado. Potts (1985) fue el primero en emplear esta
técnica, la cual luego fue explotada y refinada, entre otros, por Lenstra, Shmoys
y Tardos (1990), Shmoys y Tardos (1993) y más recientemente, por Shchepin
y Vakhania (2005). En este último artículo, los autores mejoraron el hasta
entonces mejor error conocido de Lenstra, Shmoys y Tardos (1990) de 2 a
2−1/m. Nótese que en esta “aproximación de dos fases” a menudo se necesita
un solver de programación lineal para la primera fase.
Los algoritmos metaheurísticos han proporcionado muy buenos resultados

para el problema de R//Cmáx . Hariri y Potts (1991) propusieron algunas
heurísticas complementadas con métodos de búsqueda local mejorados que
mostraron unos resultados prometedores. En 1993, Van De Velde propuso
dos algoritmos, uno exacto y uno metaherístico de búsquedas locales itera-
das, ambos basados en la relajación y dualidad del modelo MILP presentado
anteriormente. Se probaron problemas de hasta 200 trabajos y 20 máquinas
(200 × 20). El método exacto fue capaz de resolver instancias de hasta 200 × 2
o de hasta 50 × 20. El procedimiento de búsqueda local obtuvo desviaciones
relativamente grandes respecto a las soluciones óptimas en muchos de los
casos, especialmente para los valores más altos de m. Por lo que nosotros
sabemos, Glass, Potts y Shade (1994) fueron los primeros en proponer al-
goritmos de tipo Genético (GA), Búsqueda Tabú (TS) y Recocido Simulado
(SA). Bajo ciertas condiciones, los tres algoritmos (en sus versiones standard)
proporcionan resultados similares, mientras que para tiempos de computación
altos, los algoritmos propuestos GA y SA mostraron mejor comportamiento.
Más tarde, Piersma y van Dijk (1996) presentaron un SA y un TS con iniciali-
zaciones provenientes de la heurística de Hariri y Potts (1991) y Davis y Jaffe
(1981). Los algoritmos propuestos incluían una búsqueda local efectiva lo cual
proporcionaba muy buenos resultados por aquel entonces.
En la literatura también encontramos algunos algoritmos exactos con exce-

lentes resultados. Martello, Soumis y Toth (1997) propusieron un método Ra-
mificación y Acotación (B&B) usando una cota inferior y algunas heurísticas
para la cota superior. Los resultados superaron a aquellos proporcionados por
Van De Velde (1993) con unos errores relativamente pequeños para instancias
de hasta 80 × 20. A pesar de estos buenos resultados, las investigaciones han
seguido por la parte de las metaheurísticas. Por ejemplo, Srivastava (1998)
propuso un TS avanzado. Más tarde, Sourd (2001) presentó dos métodos ba-
sados en búsquedas en vecindarios grandes. El primero es una heurística de
exploración de árbol parcial y la segunda está también basada en la dualidad

del modelo MILP empleado por Van De Velde (1993).
Una propuesta interesante fue la de llevada a cabo por Mokotoff y Chre-

tienne (2002). Los autores desarrollaron un método de planos de corte el cual,
básicamente, selecciona un subconjunto de restricciones del modelo MILP
antes mencionado. Se obtiene una solución óptima de ese modelo simplifi-
cado. Las restricciones originales se comprueban. Si todas las restricciones
son satisfechas, estamos ante una solución del problema original. Si algunas
de las restricciones originales se violan, entonces una o más restricciones se
añaden al modelo MILP simplificado y el modelo se resuelve otra vez. Nótese
cuan diferente es este método del anteriormente mencionado de aproximación
en dos fases. Esta técnica fue posteriormente refinada en Mokotoff y Jimeno
(2002). En este artículo, se presenta un algoritmo denominado como “Partial”.
Partial esta basado en la metodología de Dillenberger et al. (1994), la cual
fue usada más tarde por Mansini y Speranza (1999). En general, Partial está
basado en resolver el modelo MILP relajado, para posteriormente seleccionar
parte de las variables binarias (nótese la diferencia con el artículo de Mokotoff
y Chretienne (2002) donde en lugar de una relajación en las variables, se
empleaban menos restricciones). Esta novedosa metodología produce exce-
lentes resultados, resolviendo instancias que llegan hasta 200 × 20 empleando
poco tiempo de CPU, menos de 75 segundos, con un pequeño porcentaje de
desviaciones relativas respecto al óptimo, menores del 2 %. Ambos métodos
propuestos en Mokotoff y Chretienne (2002) y en Mokotoff y Jimeno (2002)
hacen un amplio uso de solvers comerciales en sus respectivas fases iniciales.
En un trabajo excelente, Woclaw (2006) llevó a cabo una reimplantación

y una cuidadosa evaluación computacional de la mayoría (si no todos) los
algoritmos existentes en la literatura para el problema de R//Cmáx . El autor
probó y evaluó varias heurísticas, metaheurísticas y métodos exactos en un
escenario similar y con el mismo grupo de instancias. De estos resultados, se

pudo concluir que el método Partial de Mokotoff y Jimeno (2002) era el estado
del arte.
Después de la publicación de la Tesis de Woclaw, Ghirardi y Potts (2005)

publicarón un trabajo que mostraba excelentes resultados. Se propuso en este
trabajo un algoritmo de Recovering Beam Search (RBS). La metodología de
RBS ya había sido estudiada por Croce, Ghirardi y Tadei (2004), la cual a su
vez se basaba en el conocido método de Beam Search (BS) de Ow y Morton
(1988), entre otros. BS básicamente trunca el B&B permitiendo la exploración
de sólo los w nodos más prometedores en cada nivel del árbol de búsqueda.
w es el ancho de banda. RBS es una mejora de BS en el cual hay una fase de
recuperación donde una solución dada s se comprueba para ver si es dominada
por otra solución parcial s0 en el mismo nivel del árbol. Si este es el caso,
s se descarta y s0 sustituye a s como la nueva solución parcial. Se probaron
instancias de hasta 1000 × 50, con buenos resultados para tiempos de CPU que
llegaron hasta los 150 segundos.
Otros métodos han aparecido recientemente. Por ejemplo, Gairing, Monien

y Woclaw (2007) vuelven a retomar el enfoque de las dos fases. Los autores
proponen un método muy rápido aunque con resultados que no pueden compe-
tir en cuanto a la calidad de las soluciones con aquellos de Mokotoff y Jimeno
(2002) o Ghirardi y Potts (2005). Revisando detenidamente la literatura, parece
ser que los métodos de Partial y RBS, propuestos en estos dos últimos artículos
respectivamente, representan el actual estado del arte.
Queremos finalizar la revisión de la literatura con una observación. Hasta

donde alcanza nuestro conocimiento, ningún autor compara los resultados
obtenidos por las diferentes estrategias para resolver el problema de R//Cmáx
contra un solver moderno y efectivo. Como más tarde mostraremos, el simple
modelo MILP mostrado en la sección 2.3 se resuelve de forma bastante efectiva

con un solver comercial standard como por ejemplo IBM-ILOG CPLEX 11.0.
el cual esta basado en las actuales metodologías de Ramificación y Corte.
Para finalizar, podemos resumir diciendo que Glass, Potts y Shade (1994),
ya compararon los resultados de un algoritmo genético estándar (GA), un
Recocido Simulado (SA) y una Búsqueda Tabú (TS). Posteriormente Piersma
y van Dijk (1996) presentaron unos algoritmos de búsquedas locales que lo me-
joraban. Finalmente Sourd (2001) presentó dos algoritmos basados en grandes
vecindarios, uno basado en una exploración del árbol de búsqueda mediante
heurísticas y otro basado en la aproximación dual de Van De Velde (1993) que
superaba a todos ellos. Por otra parte, se encuentra, dentro de los algoritmos del
tipo Ramificación y Acotación, el de Martello, Soumis y Toth (1997), que fue
superado en el artículo de Ghirardi y Potts (2005). Finalmente destacar que
Woclaw (2006) realizo un extenso trabajo de implementación de la mayoría
de los algoritmos existentes a lo largo de la literatura, destacando entre todos
ellos los buenos resultados de Mokotoff y Chretienne (2002). El propio Sourd
(2001) nos remitió al estudio realizado por Woclaw (2006) cuando nos pusimos
en contacto con él.
Por último, citar los recientes artículos de Fanjul-Peyro y Ruiz (2010a) y

Fanjul-Peyro y Ruiz (2010b), que son el resultado de parte de lo desarrollado
en esta Tesis Doctoral y que expondremos con detalle en capítulos posteriores.
El la tabla 2.2 podemos ver de forma resumida parte de está revisión

bibliográfica.
Autor Año Método Exacto

Graham 1969 LPT no
Horowitz y Sahni 1976 PD y Heu. si/no
Ibarra y Kim 1977 Heu. no
De y Morton 1980 Heu. no
Davis y Jaffe 1981 Heu. no
Potts 1985 DF no
Lenstra, Shmoys y Tardos 1990 DF no
Hariri y Potts 1991 LS no
Van De Velde 1993 R&D/LS si/no
Glass, Potts y Shade 1994 GA/TS/SA no
Piersma y van Dijk 1996 TS/SA no
Martello, Soumis y Toth 1997 B&B si
Srivastava 1998 TS no
Sourd 2001 LLS no
Mokotoff y Chretienne 2002 B&C si
Mokotoff y Jimeno 2002 Partial no
Ghirardi y Potts 2005 RBS no
Shchepin y Vakhania 2005 DF no
Gairing, Monien y Woclaw 2007 DF no
CPLEX 12.1 2010 B&C si
Fanjul-Peyro y Ruiz 2010 IG no
Fanjul-Peyro y Ruiz 2011 SR no
Exacto = si/no: algoritmos exacto y Heu. en el mismo artículo. LPT: lon-
gest processing time; PD: programación dinámica Heu.: heurística; DF:
dos fases; LS: local search; R&D: relajación y dualidad; GA: genético;
TS: búsqueda tabú; SA: recocido simulado; B&B: ramificación y acota-
ción; LLS: búsqueda local en vencindarios grandes; B&C: ramificación y
corte; RBS: recovery beam search; IG: iterated greedy; SR: size reduced.
Tabla 2.2 – Tabla resumen de la revisión bibliográfica.
En la literatura existen variantes del problema R//Cmáx en el cual se

incluyen características específicas para este tipo de problemas, como pueden
ser restricciones de precedencia, fechas de finalización, costes (pesos). No
obstante, los artículos relativos a estas variantes son menos numerosos que los
dedicados al problema genérico, probablemente debido a la complejidad que se
añade a los modelos de estas variantes. Comentaremos a continuación algunos
de estos artículos, como el de Jansen y Porkolab (1999) donde considera el
problema con coste de funcionamiento. Herrmann, Proth y Sauer (1997) con-
sideraron el problema de máquinas paralelas no relacionadas con relaciones
de precedencia y Lancia (2000) investigó el caso en el que hubiese fechas de
disponibilidad, al igual que hiciera Adamopoulos y Pappis (1998). Armacost
y Salem (2001) desarrollaron una metodología para resolver el problema con
tiempos de preparación y las restricciones de elegibilidad de máquina. Respec-
to al problema en el que se incluyen roturas de máquinas aleatorias, se pude
mencionar el articulo de Allahverdi y Mittenthal (1994), aunque en este caso,
el objetivo trataba de minimizar el tiempo medio del taller de flujo. Más tarde,
Fishkin, Jansen y Mastrolilli (2008) examinaron el problema de minimizar
la función objetivo que era una suma ponderada del makespan y los costos
totales. Sobre el problema de máquinas paralelas no relacionadas con tiempo
de cambio dependientes de la secuencia podemos destacar el reciente artículo
de Vallada y Ruiz (2010).
Ya que nuestro estudio se centra en el problema de R//Cmáx , procedere-

mos a realizar un estudio más exhaustivo del estado del arte para este problema
en base a lo comentado anteriormente.
2.3.2. Estado del arte

En esta sección detallaremos algoritmos como Partial de Mokotoff y Ji-
meno (2002), RBS de Ghirardi y Potts (2005) y haremos una introducción a
un solver comercial como IBM-ILOG CPLEX como una posible herramienta
a tener en cuenta en la resolución de este problema.
2.3.2.1. Partial de Mokotoff y Jimeno
Los algoritmos que desarrollaron Mokotoff y Jimeno (2002), se basaron

en la metodología usada por Dillenberger et al. (1994) y usada posteriormente
por Mansini y Speranza (1999), como ya se comentó.
En general, se basan en resolver un subproblema del tipo MILP (Mixed

Integer Linear Programming), donde algunas variables binarias xij pasan a
ser continuas acotadas tanto inferior, por 0, como superiormente, por 1. El
procedimiento comprueba si la solución óptima del LP (Linear Programming)
hallada, corresponde a una solución entera. Si es así, el algoritmo para, y si no,
el subconjunto de las variables empleadas se varía.
Como primer paso, se realiza una relajación del MILP, que queda como
sigue:
funcion objetivo:
mı́n Cmáx (2.6)
s.a.:
∑
m
xij = 1 ∀j ∈ N (2.7)
i=1
∑
n
pij · xij ≤ Cmax ∀i ∈ M (2.8)
j=1
0 ≤ xij ≤ 1 ∀j ∈ N, ∀i ∈ M ; (2.9)
De la solución óptima de la resolución de la relajación del MILP, se crea

una lista de variables xij . Todas las variables de decisión con valores positivos
en la solución se ponen al principio de la lista, y a continuación el resto de
variables de decisión.
Si hay k variables de decisión con valores positivos en la solución de LP, se
construye un nuevo MILP con las primeras α ≥ k variables de decisión de
la lista. Por tanto, el subproblema MILP se resuelve con mn − α variables bi-

narias, siendo mn el número de variables binarias del problema MILP original.
Aunque la metodología empleada en Partial es similar a la usada por Hariri

y Potts (1991) y Potts (1985), la diferencia esencial con ellos es que solo usan
los datos de la solución dada por el LP para decidir qué variables deben ser
eliminadas de la formulación del MILP. Ahora bien, hay dos aspectos impor-
tantes a decidir: el criterio de ordenación de la lista del subconjunto de las
variables con valores no positivos y el número de variables binarias a mantener.
En su articulo, señalan como mejores opciones a emplear, el ordenar la lista por
orden no decreciente de coste reducido, y como criterio de número de variables
binarias a mantener, usar una variable r de forma que α = k + [r(mn − k)].
Desarrollan tres variantes: en la primera solo seleccionan aquellas variables,
que tras la resolución del LP relajado, tengan valores positivos; en la segunda
variante retienen, además de las anteriores, un número fijo del resto de varia-
bles, según los criterios explicados anteriormente de ordenación y variables a
mantener; y la tercera variante, que es similar a la segunda, salvo en que el
número del resto variables a retener, lo hacen variar en cada iteración, ya que
si da un valor de cero en la resolución del LP se retira de la lista.
Finalmente, en el desarrollo y conclusiones del artículo, de las tres variantes
del algoritmo que desarrollan, apuntan a que la segunda variante es la que
da mejores resultados. Igualmente, hacen diversas pruebas para valores de
r = 0, 15; 0, 25; 0, 75 principalmente, y aunque los mejores resultados se
obtienen con 0,75, concluyen que esta opción consume mucho tiempo de CPU
en comparación con la mejora obtenida, inclinándose por tanto como mejor
opción por un r = 0, 25. Trabajan con diez instancias de cada combinación
de m = 3, 5, 8, 10, 15, 20 y n = 20, 30, 40, 50, 60, 80, 100, 200 siendo por
tanto la instancia más grande de 200 × 20; todas ellas con tiempos de proceso
seleccionados al azar dentro del intervalo U(1,100). Emplean PC Pentium
500 y para las instancias más grandes dan errores del 1,2 % en 74 segundos,
comparando el resultado obtenido por su algoritmos con el de CPLEX usado

durante 1000 segundos, el cual no alcanza el óptimo para ninguna de las 10
instancias de ese tamaño.
En Woclaw (2006) se demostraba, tras un exhaustivo análisis de casi

todos los algoritmos existentes para el problema de R//Cmáx , que el mejor
algoritmo que había hasta ese momento era, por un margen significativo, el
método Partial propuesto por Mokotoff y Jimeno (2002).
2.3.2.2. RBS de Ghirardi y Potts
En el artículo de Ghirardi y Potts (2005), los autores tratan de afinar

el método RBS (Recovering Beam Search) empleado por Croce, Ghirardi y
Tadei (2004). Este método está basado en el Beam Search (BS), y en los
algoritmos de Ow y Morton (1988), que son producto de un B&B (branch
and bound). El RBS consiste en truncar el B&B, en el cuál, solo los w nodos
más prometedores de cada nivel del árbol de búsqueda se seleccionan como
nodos desde los cuales partirán nuevas ramas; w se le llama también ancho de
banda. Evidentemente, a más ancho de banda o amplitud del rayo (Beam), más
nodos a evaluar y más lento va el algoritmo. El procedimiento de evaluación
de cada nodo por cada nivel es lo que caracteriza a los BS. Una evaluación
superficial es más rápida pero se pueden perder buenas soluciones, mientras
que una evaluación profunda consume mucho tiempo.
Lo usual es hacer una evaluación en dos pasos; primero se hace una evaluación
superficial (filtering) para seleccionar un grupo reducido de nodos a los que se
les aplica, en un segundo paso, una evaluación más precisa. Entonces, los w
mejores nodos se seleccionan.
El procedimiento tradicional del BS no puede recuperarse de las decisiones

erróneas; una vez descartada una rama de un nodo, no se puede volver a
recuperar. En contraste con el BS, el procedimiento de evaluación de nodos
del RBS usa tanto la cota superior como la inferior. Mientras que la cota
inferior se usa exclusivamente con propósito de evaluación, la cota superior
también proporciona posibles soluciones, dado que esta cota es una solución
factible. La función de evaluación viene determinada por la siguiente expresión
V = (1 − α)LB + αU B, donde LB y U B representan la cota inferior y
superior, respectivamente y α es un parámetro de peso que se determina expe-
rimentalmente. Los valores de la LB los obtienen de la relajación Langragiana
ya empleada por Martello, Soumis y Toth (1997); una vez obtenidos, se genera
el valor de la U B, la cuál es el valor de la función objetivo de la solución
factible derivada directamente de la relajación Langragiana.
En el método de RBS, el ancho de banda w es constante y normalmente
pequeño (w < 10) para disminuir el tiempo de CPU. Una vez se tienen los
w mejores nodos y las correspondientes w mejores soluciones parciales, la
fase de recuperación (Recovering) comprueba si la solución s es dominada por
otra solución parcial s0 en el mismo nivel del árbol de búsqueda. Si es así, s
es descartada y s0 pasa a ser una nueva solución parcial, si no está ya incluida.
Si ya está incluida, queda reservada para una posible reexaminación durante
la fase de recuperación, hasta mantener exactamente w número de nodos. Esto
permite recuperar algunas de las decisiones erróneas tomadas con anterioridad.
No obstante, una solución parcial solo podrá ser sustituida por otra del mismo
nivel de profundidad dentro del árbol de búsqueda, lo que mantendrá en un
número polinómico los nodos explorados cuando también lo sea el número de
niveles del árbol de búsqueda.
Finalmente, los autores marcan para los parámetros a determinar, que un buen
α es el dado por α = 0,1, mientras que para el ancho de banda w, prueban
con w = 1 y con w = 3, quedando patente que se obtienen resultados
bastante similares en cuanto a la desviación respecto a la mejor solución
pero consumiendo mucho más tiempo en el caso de w = 3. En su artículo
muestran un conjunto de 20 instancias diferentes para cada combinación de
m = 10, 20, 30, 40, 50 y n = 100, 200, 500, 1000, llegando a instancias de
hasta 1000 × 50, generadas para los tiempos de proceso de los intervalos
U(10,100), U(10,1000) y tiempos de proceso correlacionados. Para las pruebas
emplearon ordenadores PC Pentium III/866 y se compararon con el algoritmo
APPROX propuesto por Martello, Soumis y Toth (1997). Sus resultados mos-
traron errores del 1,4 % en 143 segundos para las instancias más grandes, con
respecto a la cota inferior.
Los resultados de este algoritmo resultaron bastante prometedores, aunque

desafortunadamente no se compararon con Partial de Mokotoff y Jimeno
(2002), con lo que quedaba la duda de si sería capaz de superar al algoritmo
que había demostrado dar los mejores resultados. En la presente Tesis Doctoral
sí llevamos a cabo esta comparativa y la expondremos en el capítulo siguiente.
2.3.2.3. CPLEX 11.0
Para finalizar esta sección del estado del arte, hemos querido hacer una
llamada de atención sobre CPLEX 11.0. Este software comercial se usa como
solver en determinados pasos de alguno de los algoritmos que se han pro-
puesto para la resolución del problema de máquinas paralelas no relacionadas,
particularmente en los algoritmos de rounding o de dos fases, en los que la
resolución de la relajación del problema resulta básica, como en Mokotoff y
Jimeno (2002) o Shchepin y Vakhania (2005). Cuando se comprueba a la ve-
locidad que resuelve CPLEX los problemas cuando las variables del problema
no son binarias, no es de extrañar que la mayoría de los intentos actuales vayan
por dirigidos a tratar de aprovechar esta ventaja.
En nuestro estudio, probamos a utilizar el CPLEX para la resolución directa
del problema estándar; es decir con las variables de decisión binarias. La
formulación del problema de máquinas paralelas no relacionadas, como ya se
vio en la sección 2.3, es bastante simple, así que, tras analizar los primeros
resultados obtenidos por el CPLEX 11.0, consideramos que, dado el buen
comportamiento de este solver, debería ser parte de las mejores soluciones
a tener en cuenta. Es más, como se verá con detalle más adelante en el capítulo
3, la aplicación directa de este solver de carácter general, resulta mejor, en
muchos casos, que algoritmos creados ad hoc para resolver este problema y
que además se apoyan en el mismo CPLEX 11.0.
Por otra parte, hay que tener en cuenta que al ser CPLEX 11.0 un software
comercial, resulta opaco para el usuario el desarrollo en detalle de los métodos
que usa para resolver los distintos problemas. Por tanto, no nos resulta ase-
quible el saber qué es lo que realmente sucede ni justificar porque en algunos
casos va mejor y en otros peor. Con todo, lo que es innegable son los resultados
que se obtienen de él, motivo por el cuál forma parte de nuestro estudio, tal y
como se verá en el siguiente capítulo.
CAPÍTULO
3
ALGORITMOS INICIALES PROPUESTOS
Dada la complejidad de los algoritmos existentes para la resolución del

problema de máquinas paralelas no relacionadas, así como la dependencia de
algunos de ellos de solvers comerciales y la escasa robustez en algunos casos,
se decidió buscar nuevos métodos que fueran sencillos y robustos, a la par que
competitivos con el estado del arte.
En este capítulo se estudiarán en detalle cuatro nuevos algoritmos, introdu-
ciendo en primer lugar la parte algoritmica que es común a todos ellos. Cada
algoritmo queda diferenciado del resto por el último de los pasos de la base
algoritmica. Los dos primeros, llamados IGS e IGD, se basan en los llamados
algoritmos iterativos voraces (Iterated Greedy), mientras que los dos últimos,
llamados NSP y Vir, se basan en búsquedas locales de vecindarios pequeños
o restringidos (Restricted Local Search). Continuaremos detallando las ins-
tancias empleadas y la implementación de todos los métodos evaluados. Se
realizará un extenso análisis computacional y por último, se mencionarán las
distintas variantes aplicadas y sus resultados.
37
38 CAPÍTULO 3. ALGORITMOS INICIALES PROPUESTOS
3.1. Base de los algoritmos propuestos

Los algoritmos que hemos desarrollado para la resolución del problema de
máquinas paralelas no relacionadas tienen una base común en su desarrollo, y
luego una fase especifica que los hace bastante diferentes.
La base de los algoritmos empieza con la obtención de una solución inicial

mediante un procedimiento muy rápido, seguida de dos búsquedas locales, una
por inserción y otra por intercambio, donde en cada una de ellas se alcanza un
óptimo local, y posteriormente se realiza la fase específica de cada algoritmo,
para retornar a la fase de búsquedas locales.
Primero, haremos una aproximación al esquema general del algoritmo,

para luego detallar en las sucesivas secciones cada una de las partes que lo
componen. El procedimiento general es el siguiente:
3.1. Base de los algoritmos propuestos 39
Solución inicial
Búsqueda de inserción
Búsqueda de intercambio
Guardar solución si mejor
si
¿Se cumple el criterio
Fin
de parada?
no
si
¿algún cambio?
no
Modificar solución
IGS, IGD, NSP o Vir
Figura 3.1 – Diagrama de flujo de los algoritmos propues-

tos.
1. Solución inicial basada en el menor tiempo de proceso de cada trabajo

para todas las máquinas.
2. Búsqueda local por inserción: buscar, para cada trabajo j, qué máquina
hace que la suma del tiempo de proceso en ese trabajo en esa máquina,
pij , más el tiempo de todos los trabajos que ya tiene asignados esa
máquina Ci , sea mínimo, es decir la mejor opción (best). Esto puede
provocar que el trabajo que antes estaba asignado a una máquina, sea
reasignado a otra.
3. Búsqueda local por intercambio: busca el intercambiar un trabajo asig-

nado a una máquina, por otro asignado a otra, siempre que pi1,j1 +
pi2,j2 > pi2,j1 + pi1,j2 (i1 , i2 ∈ M , j1 , j2 ∈ N , j1 ̸= j2 , i1 ̸= i2 )
y no aumente el Cmáx . Se intercambia con el primero que lo cumpla
(first). Aquí, pi1,j1 y pi2,j2 representan los tiempos de proceso de los
trabajos que intentamos intercambiar, y pi2,j1 y pi1,j2 los tiempos de
proceso que tendrán tras el intercambio. Esta aplicación consecutiva de
dos vecindarios se conoce como VNS (Variable Neighborhood Search)
de Hansen y Mladenovic (2001).
4. Se guarda la solución como mejor si iguala o mejora la mejor encontrada

hasta el momento.
5. Si se ha producido algún cambio en las búsquedas locales, se vuelve al

paso 2.
6. Modificación de la solución obtenida (base de la variación de los distin-

tos algoritmos) mediante IGS, IGD, NSP o Vir: por destrucción/recons-
trucción o nueva búsqueda local restringida (diferente a las búsquedas
locales anteriores).
7. Se vuelve a 2.
Finaliza, al acabar el tiempo asignado, o al cumplirse cualquier otro criterio

de terminación.
Por expresarlo de una forma más rigurosa, la representación de la base de

los algoritmos vendría dada por la figura 3.2.
procedure Base_de_algoritmos
π := Inicialización de la solución;
πb := π; % Mejor solución hallada hasta el momento
while (criterio de finalización no satisfecho) do
improved:=true;
while(improved) do % Bucle VNS
improved:=false;
π ′ := Busqueda_Local_Inserción(π); % hasta óptimo local
π ′′ := Busqueda_Local_Intercambio(π ′ ); % hasta óptimo local
if π ′′ ̸= π then
improved:=true;
π := π ′′ ;
endif
endwhile
if Cmáx (π ′′ ) <= Cmáx (πb ) then πb := π ′′ ;
π := Modificación_Solución(πb ); % modificar por IG o RLS
endwhile
end
Figura 3.2 – Pseudo-código del algoritmo base para todos

los métodos propuestos.
Pasemos a detallar los diferentes pasos de la base de los algoritmos pro-

puestos.
3.1.1. Solución inicial

La solución inicial de la que se parte es la obtenida al asignar cada trabajo
j en la máquina i para la cual el tiempo de proceso pij es menor. Esta búsqueda
tiene una complejidad computacional O(nm).
Esta solución es muy rápida de hallar y los experimentos demuestran que es
igual o mejor solución inicial que otras más elaboradas, como ahora comenta-
remos.
Como ejemplo de soluciones iniciales probadas, podemos mencionar la

que se deriva de la anterior, pero en la que se mira cuál de los pij del trabajo
j hace un tiempo de finalización Ci menor. Es decir, aquí se tiene en cuenta
todos los demás trabajos que la máquina ya tiene asignados, para ver donde
asignamos el trabajo de forma que el tiempo de finalización sea el menor
posible. No obstante, hay que tener en cuenta que esta solución inicial es
mucho más robusta ante distribuciones del pij muy asimétricas. Por ejemplo, si
la máquina 1 tiene todos los tiempos de proceso p1j = 1 ó igual al mínimo, con
la primera opción de solución inicial, acabarían todos los trabajos asignados a
la máquina 1, proporcionando una pobre solución inicial. En cualquier caso,
dichos casos aberrantes son eso, aberrantes y poco esperables en la práctica.
También, entre otras, se probó el no incluir una solución inicial, dado que
la primera búsqueda local, la de inserción, no precisa necesariamente de una
solución inicial previa. Este caso se probó por simplificación del algoritmo,
pero tampoco proporcionó los mejores resultados. No obstante, se detallarán
las variantes probadas en la sección 3.7.
3.1.2. Búsqueda local de inserción

La búsqueda local por inserción, representada por el pseudo-código de la
figura 3.3, consiste en buscar, para cada trabajo j, en qué máquina deberíamos
asignarlo para que la suma de todos los trabajos que esta tiene asignados más
el tiempo de proceso del nuevo trabajo en esa máquina sea el mínimo posible.
Es decir, se va trabajo por trabajo, y para cada trabajo, se va máquina por
máquina viendo qué valor toma la suma total de los trabajos asignados a esa
máquina (Ci ) si se le añadiese el trabajo que se está estudiando en ese momento
a esa máquina. El menor valor nos da la máquina donde hay que poner el
trabajo. Nótese, que nuestro concepto de búsqueda local de inserción dista del
concepto común donde normalmente se inserta un trabajo en todas las posibles
posiciones de trabajos asignados a una máquina. Como hemos comentado en
capítulos anteriores, esta búsqueda de inserción no tendría sentido para nuestro
problema dado que la secuencia dentro de una máquina no tiene relevancia a
la hora de minimizar el makespan.
Una vez llegado al último trabajo, se comprueba si ha habido algún cambio

a lo largo del proceso, es decir, si algún trabajo ha sido asignado a una máquina
distinta de la que estaba antes de empezar el proceso. Si es así, se reinicia
el proceso de búsqueda local de inserción. El proceso finaliza cuando no se
produce ninguna variación con respecto a la solución anterior, por lo que
todos los trabajos siguen asignados a las mismas máquinas. Se probaron otras
variantes de esta forma de realizar la forma de inserción, no resultando dar
mejores resultados, como se detallará en la sección 3.7.
Como cada uno de los n trabajos se intenta insertar en cada una de las
m máquinas, incluyendo la máquina en donde estaba previamente, el número
de pasos será de n · m, es decir, la búsqueda local de inserción propuesta
tiene una complejidad computacional de O(nm). Dichas combinaciones se
harán todas, ya que se busca la mejor asignación para todos los trabajos. No
obstante, debemos recordar que estamos hablando de simples sumas, con lo
que la ejecución en tiempo de CPU es muy rápida.
procedure Busqueda_Local_Inserción
π := solución entrante;
improved := true;
while(improved) do % hasta óptimo local
improved := false;
for j := 1 to n do
i := máquina donde esta asignado el trabajo j;
l = argmin{Ch + phj };
h∈M/i
if (Cl + plj ) < Ci then
improved := true;
π := extraer el trabajo j de la máquina i y asignar a máquina l;
endif
endfor
endwhile
end
Figura 3.3 – Procedimiento de Búsqueda Local de Inser-

ción empleado en la fase VND.
3.1.3. Búsqueda local de intercambio

Tal y como se puede apreciar en la figura 3.4, la búsqueda local por inter-
cambio consiste en buscar una pareja de trabajos ya asignados, con tiempos de
proceso pi1,j1 y pi2,j2 , e intercambiarlos, con lo cual los tiempos de proceso
que afectan a las nuevas asignaciones son, pi2,j1 y pi1,j2 y comprobar si mejora
el Cmáx . Por ejemplo, supongamos que el trabajo 1 esta asignado a la máquina
1 y el trabajo 2 a la máquina 2, ambos con sus tiempos de proceso correspon-
dientes p11 y p22 . El intercambio supondría que el trabajo 1 pasaría a realizarlo
la máquina 2, y que el trabajo 2 pasaría a realizarlo la máquina 1, es decir, los
tiempos de proceso que afectan a la nueva asignación serían entonces p21 y
p12 . El cambio será admisible, siempre y cuando no provocase un aumento de
Cmáx , ya que nos llevaría a un empeoramiento de la solución. Así mismo, el
cambio estará permitido siempre y cuando la suma de los tiempos antes del
cambio sea mayor que la suma de los tiempos después del mismo, es decir
cuando pi1,j1 + pi2,j2 > pi2,j1 + pi1,j2 . Esto nos asegura una reducción neta
en los tiempos de proceso en las máquinas empleadas.
Llegados a este punto, queda por decidir qué estrategia seguir a la hora
de realizar el cambio. Una sería permitir el primer cambio que cumpliera las
restricciones arriba señaladas (first); la otra sería probar todos los intercambios
posibles, y elegir de entre todos los cambios que cumplieran las restricciones,
el que mejores valores proporcionara (best).
Los distintos experimentos realizados, que se detallarán en la sección 3.7,
aconsejan elegir la estrategia first, que favorece sobre todo la rapidez del
cálculo, añadiendo mayor variabilidad a los cambios. Es por tanto la estrategia
seguida aquí. El intercambio se realiza para todos los trabajos hasta llegar
al último. Una vez concluida esta parte, se comprueba si ha habido algún
trabajo intercambiado entre dos máquinas cualesquiera. De ser así, se reinicia
el proceso de búsqueda local de intercambio. El proceso finaliza cuando no se
produce ninguna variación con respecto a la solución anterior, por lo que todos
los trabajos siguen asignados a las mismas máquinas, llegando por tanto a un
óptimo local con respecto a esta definición de vecindario.
Como cada uno de los n trabajos se intenta intercambiar con los restantes
n − 1 trabajos, el número de combinaciones es de n · (n − 1), las cuales no se
harán necesariamente todas, ya que se busca la primera asignación que mejore
la suma de los intercambiados. Estamos hablando de simples sumas, con lo
que la ejecución en tiempo de CPU es muy rápida, pero es más lento que el
proceso anterior, el de inserción, ya que el número de trabajos suele ser muy
superior al de las máquinas.
procedure Búsqueda_Local_Intercambio
π := solución entrante;
improved := true;
while(improved) do % hasta óptimo local
improved := false;
for j1 := 1 to n do
for j2 := 1 to n do
i1 := máquina donde el trabajo j1 está asignado;
i2 := máquina donde el trabajo j2 está asignado;
if j1 ̸= j2 and % no intercambia con si mismo
i1 ̸= i2 and % no a la misma máquina
pi1 j2 + pi2 j1 < pi1 j1 + pi2 j2 and % balance positivo
(Ci1 + pi1 j2 − pi1 j1 ) < Cmáx and % no empeorar Cmáx
(Ci2 + pi2 j1 − pi2 j2 ) < Cmáx then
π := quitar el trabajo j1 de la máquina i1 y
el trabajo j2 de la máquina i2 ;
π := asignar el trabajo j1 a la máquina i2 y
el trabajo j2 a la máquina i1 ;
improved:= true;
exitfor % estrategia primero que mejora
endif
endfor
endfor
endwhile
end
Figura 3.4 – Procedimiento de Búsqueda Local de Inter-

cambio empleado en la fase VND.
3.1.4. Modificación de la solución obtenida y criterio de parada

Anteriormente hemos visto los bloques constructivos de todos los algorit-
mos propuestos. Ahora detallamos la modificación de la solución, que varía
de uno a otro algoritmo. Vemos primero una panorámica general y luego el
detalle.
Básicamente, en esta parte del algoritmo, se toma la solución hallada hasta

el momento, y se modifica; bien por un proceso de destrucción/reconstrucción

de parte de la solución (algoritmo voraz iterativo), o bien por una nueva bús-
queda local restringida o de pequeños vecindarios. Tanto en un caso como en
el otro, el objetivo es una pequeña variación de la solución, suficiente para
escapar de un óptimo local, con la que volveremos al ciclo inicial de las
búsquedas locales de inserción e intercambio. Ambos casos serán detallados
más adelante, en la sección 3.2 y en la sección 3.3, respectivamente.
El algoritmo finaliza cuando alcanza el tiempo marcado, o cualquier otro

criterio de parada que quiera establecerse, como, por ejemplo, a un cierto
número de iteraciones.
3.1.5. Ensamblado del algoritmo

Una vez estudiadas todas las partes de las que consta el algoritmo, vamos a
pasar a pormenorizar en algunos detalles a tener en cuenta cuando el algoritmo
se une para formar un todo. Hemos visto al principio de la sección 3.1 que
en primer lugar se hace una búsqueda local por inserción, seguida de una de
intercambio, y que dentro de cada una de ellas no se sale hasta alcanzar un
óptimo local, es decir hasta que no le es posible mejorar la solución. Cuando
se integran en un todo estas búsquedas, hay que controlar, al final de la segunda
de ellas (búsqueda local por intercambio), que si ha habido algún cambio, se
vuelva de nuevo a empezar el ciclo. A todo este conjunto se lo conoce como
VNS (Variable Neighborhood Search) de Hansen y Mladenovic (2001), como
ya hemos comentado al inicio de la sección 3.1. Dicho de otro modo, primero
se hace una búsqueda local por inserción, después una búsqueda local por
intercambio, si al finalizar ésta se constata que durante el proceso ha habido
algún cambio, se empieza de nuevo con la primera, la búsqueda local por
inserción. Por tanto este ciclo tipo VNS acaba cuando ya no se puede mejorar
nada la solución a base de estas búsquedas locales. Todo esto es muy eficaz,
dando muy buenos resultados, pero encierra un alto peligro de ciclado, ya
que una modificación realizada por una inserción, puede ser deshecha por un
intercambio en la siguiente fase. Esto es debido a la manera que se aceptan los
movimientos para el problema estudiado, sobre todo en la búsqueda local de
intercambio.
Pongamos un ejemplo. Supongamos que tenemos la tabla 3.1 de tiempos

de proceso, donde Ji representa los trabajos, Mi representa las máquinas, en
negrita y cursiva se representan los trabajos asignados a las distintas máquinas
y Ci es la suma de los tiempos de proceso de los trabajos asignados a cada
máquina i.
J1 J2 J3 J4 J5 Ci
M1 5 2 12 45 56 14
M2 3 1 39 17 63 20
M3 48 55 61 38 25 25

ciclado: situación inicial.
Podemos ver, en la tabla 3.1, que las variaciones que se van a producir por
inserción e intercambio serán en los trabajos J1 y J2 ya que el resto tienen
los valores más bajos ya asignados, así que nos centraremos en los cambios de
estos trabajos.
Tras la primera inserción quedará tal y como aparece en la tabla 3.2; en ella se
acepta la inserción del trabajo J1 en la máquina M1 ya que al principio estaba
en la máquina M2 con un C2 de 20, y deja un C2 de 17, subiendo el C1 de 14
a 19, el cual es inferior al Cmáx , que es 25. Además, de todas las máquinas, la
inserción en la máquina M1 es la que proporciona un Ci menor.
J1 J2 J3 J4 J5 Ci
M1 5 2 12 45 56 19
M2 3 1 39 17 63 17
M3 48 55 61 38 25 25

ciclado tras la primera inserción.
Ahora se procedería a una segunda inserción. En este caso, la tabla 3.2

muestra como se inserta el trabajo J2 desde la máquina M1 a la máquina M2 ,
ya que el C1 pasa de 19 a 17 y el C2 no aumenta por encima del Cmáx , siendo
el menor Ci posible en esta inserción.
J1 J2 J3 J4 J5 Ci
M1 5 2 12 45 56 17
M2 3 1 39 17 63 18
M3 48 55 61 38 25 25

ciclado tras la segunda inserción.
En este momento se finaliza la fase de inserciones al no poderse efectuar

ningún cambio más, según las condiciones impuestas, y empieza la fase de
intercambio (tabla 3.4). Aquí el intercambio se produce entre J1 y J2 ya que la
suma de los tiempos asignados del trabajo J1 en la máquina M1 y del trabajo
J2 en la máquina M2 (5 + 1) es mayor que la suma de los del intercambio de
hacer el trabajo J1 en la máquina M2 y hacer el trabajo J2 en la máquina M1
(3 + 2) y no se supera el Cmáx , que es 25. Esto nos devuelve a la situación
inicial, con lo que, al haberse producido un cambio, y volver a empezar con
las inserciones, nos llevaría a un ciclado del algoritmo.
J1 J2 J3 J4 J5 Ci
M1 5 2 12 45 56 14
M2 3 1 39 17 63 20
M3 48 55 61 38 25 25

ciclado tras la fase de intercambio.
Se podría pensar que el ciclado sería evitable si no se permitieran unos

tiempos de finalización Ci mayores que los precedentes antes del intercambio,
pero esto supone el restringir unos posibles huecos en algunas máquinas que
permiten alcanzar nuevos mínimos del Cmáx y condena la búsqueda local a
malas soluciones.
Estos ciclos pueden ser de dos cambios (por inserción se hace un cambio y por
intercambio se deshace), pero también pueden ser ciclos más amplios, como
por ejemplo de 3, 4, etc. (por inserción se hace un cambio, por intercambio
otro distinto, al volver a la inserción se hace un nuevo cambio y finalmente
por intercambio se vuelve a la primera solución). Hay varias formas de tratar
de evitar esto, como el mantener una lista de los cambios para evitar que se
repitan, como en las listas tabú, pero tras algunas pruebas vimos que lo más
rápido y sencillo era evitar los ciclos de dos, y añadir un contador que hiciera
salir del bucle si alcanzaba cierto umbral, el cuál era bastante pequeño, ya que
raramente se alcanzan los 10 ciclos tipo VNS antes de agotar ambas búsquedas
locales. Otra cosa a tener en cuenta es, que cada vez que acaba esta fase,
el algoritmo debe comprobar si la solución ha mejorado o igualado el mejor
resultado que se tenía hasta el momento. De ser así, está pasa a ser la mejor
solución y es la que pasará a la siguiente fase, la de modificación, antes de
devolverla de nuevo a la fase de las dos búsquedas locales. En caso de que no
mejore la mejor solución obtenida, se recuperara la mejor solución que había
hasta ese momento.
3.2. Algoritmo iterativo voraz 51
Hay que hacer notar que, tras varias pruebas, se determinó que aceptar
una solución que fuera igual que la que ya se tenía mejoraba bastante los
resultados obtenidos. Esto es debido a que el algoritmo lleva a distintas po-
sibles soluciones desde donde partir para encontrar una nueva mejor solución.
Adicionalmente, también experimentamos con la idea de aceptar, temporal-
mente, soluciones peores, tal y como se hace en Simulated Annealing (SA). No
obstante, todos estos experimentos, como ya detallaremos en la sección 3.7, no
ofrecieron mejoras sustanciales.
En las siguientes secciones, pasamos a especificar las distintas formas de

las modificaciones de las soluciones que dan lugar a los distintos algoritmos
y sus variantes, no sin antes recordar, que una vez modificada la solución,
se envía de nuevo a las fases previas, donde las búsquedas locales tanto de
inserción como de intercambio mejoran la solución modificada.
3.2. Algoritmo iterativo voraz

Dentro de la fase de modificación de la solución, uno de los algoritmos
probados ha sido el conocido como algoritmo iterativo voraz (en inglés iterated
greedy o IG) desarrollado por Ruiz y Stützle (2007), basado en una destrucción
parcial de la solución y una posterior reconstrucción. Se han probado dos tipos
de algoritmos iterativos voraces, los cuales que se detallarán en las siguientes
secciones; el estándar y una variación sobre este, basado en una selección
más dirigida de los trabajos a destruir. En el algoritmo estándar, adaptado del
propuesto por Ruiz y Stützle (2007), se escogen al azar una serie de trabajos
que se eliminan, en la fase de destrucción, de la solución. En esta elección de
trabajos a destruir, radica la diferencia entre ambas variantes que proponemos.
3.2.1. Algoritmo iterativo voraz estándar (IGS)

En este primer caso, se escogen al azar entre todos los trabajos, los que van
a ser eliminados, con la única limitación de no repetirlos.
Acabada la fase de destrucción, se pasa a la fase de reconstrucción, en

la cuál se toma la lista de todos los trabajos destruidos, y se procede a su
reconstrucción buscando, para cada trabajo, en qué máquina i quedaría mejor
asignado para dar una suma de tiempos de finalización menor. Es decir, para
cada trabajo destruido j, se busca aquella máquina i que, tras toda la destruc-
ción acaecida, hace que la suma de los tiempos de proceso de los trabajos que
le quedan asignados, más el tiempo de proceso del trabajo j en la máquina i,
pij , resulta menor. Los resultados preliminares mostraron un mejor resultado
si se destruía un número fijo de trabajos, que si se eliminaba un tanto por cien
de los trabajos, tal y como se detallará en la sección 3.7.4. Esto es debido a que
el algoritmo trabaja mejor con un número determinado de combinaciones que
debe hacer, a la hora de reconstruir la solución, que con un número variable
en función del tamaño de los trabajos que intervienen. En este último caso, el
número de combinaciones varían con el tamaño, por ejemplo, para un mismo
5 % de trabajos a destruir, en instancias de 100 trabajos representan 5 trabajos
a destruir, pero en 1000 trabajos suponen 50 trabajos destruidos, lo que a la
hora de recomponer la solución, lo hace más costoso. Igualmente se detectó
que resultaba mejor que, del total de trabajos a destruir, se seleccionara una
parte de ellos dentro de los asignados a la máquina que detentaba el Cmáx y
la otra parte de entre el resto de los trabajos asignados a las otras máquinas.
Para instancias con un menor número de trabajos que las instancias estudiadas,
n < 100, se puede aplicar el principio simple de destruir el 30 % de los trabajos
al azar. Por otra parte, el trabajo a eliminar de la máquina elegida, se selecciona
de manera aleatoria. Es decir, una vez determinada la máquina de la que se va
a destruir el trabajo, la selección del trabajo a destruir de entre los asignados a
dicha máquina, se hace siguiendo una distribución uniforme entre ellos.
Veamos un ejemplo de todo el proceso; primero en la figura 3.5 se selec-

ciona un primer trabajo a destruir, procedente de la máquina con mayor Ci , es
decir, de la máquina con el Cmáx en este caso la máquina 3, ya que tiene un
tiempo total de finalización de 30.
5 IGS
Máquina 1 3 1
Máquina 2 2 6
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45
Trabajo 1 Trabajo 2 Trabajo 3 Trabajo 4 Trabajo 5 Trabajo 6
Figura 3.5 – Ejemplo de algoritmo iterativo voraz estándar

(IGS): Selección de un primer trabajo a destruir de la
máquina con Cmáx .
La figura 3.6 representa la selección de un segundo trabajo a destruir, esta

vez de una máquina elegida al azar. En el ejemplo el trabajo pertenece a la
máquina 1.
3 IGS
5 IGS
Máquina 1 3 1
Máquina 2 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

(IGS): Selección de un segundo trabajo a destruir de una
máquina al azar.
Una vez finalizada la fase de destrucción, se procede a la reconstrucción de

la solución a base de buscar aquella máquina en donde los trabajos destruidos
hacen menor el tiempo de Ci . En la figura 3.7 podemos ver como el trabajo 5
se asigna a la máquina 1 donde alcanza un C1 = 15, mientras que asignarlo a
cualquier otra máquina haría que cualquiera de sus Ci fueran superiores.
3 IGS
5 IGS
Máquina 1 1 5
Máquina 2 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

(IGS): Reasignación del primer trabajo en la mejor máqui-
na posible.
Se prosigue asignando el resto de trabajos destruidos buscando, de nuevo,

el mejor valor de Ci para los trabajos a reasignar. En nuestro ejemplo, la figura
3.8 obtiene el mejor valor si el trabajo 3 es asignado a la máquina 1, donde
llega hasta el valor de 25.
3 IGS
Máquina 1 1 5 3
Máquina 2 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

(IGS): Reasignación del otro trabajo en la mejor máquina
posible.
La situación final, tras las fases de destrucción y reconstrucción de la

solución, está representada por la figura 3.9.
Máquina 1 1 5 3
Máquina 2 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

(IGS): Estado final.
Dado que se han de fijar las variables de número de trabajos a destruir tanto
del Cmáx como del resto, se calibró el algoritmo para ver su comportamiento y
ajustar las variables, como se verá desarrollado en el anexo C, quedando estas
fijadas en destruir 20 trabajos del Cmáx más 20 trabajos al azar.
3.2.2. Algoritmo iterativo voraz dirigido (IGD)

En este segundo caso, se trata de que la destrucción sea siempre de la
máquina que en ese momento ostente el Cmáx .
Como primer paso de la fase de destrucción, se selecciona un trabajo de

los asignados a la máquina que ostenta el Cmáx . En la figura 3.10 se destruye
un trabajo de la máquina 3, la que en ese momento tiene el valor más alto de
Ci = 30 (Cmáx ).
5 IGD
Máquina 1 3 1
Máquina 2 2 6
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45
Figura 3.10 – Ejemplo de algoritmo iterativo voraz dirigi-

do (IGD): Selección de un primer trabajo a destruir de la
máquina con mayor Cmáx .
El segundo trabajo a destruir saldría de la máquina que ahora, tras la

destrucción del primer trabajo, ostentara el nuevo Cmáx . Tal y como se puede
apreciar en la figura 3.11, el segundo trabajo se selecciona de la máquina 2, la
que en este momento es la máquina con el Cmáx = 25.
2 IGD
5 IGD
Máquina 1 3 1
Máquina 2 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

do (IGD): Selección de un segundo trabajo a destruir de la
máquina con mayor Cmáx en ese momento.
La figura 3.12 nos muestra como, tras la destrucción, la fase de reconstruc-

ción asigna el primer trabajo destruido a la máquina en la que produciría un
menor Ci , en este caso en la máquina 1.
2 IGD
5 IGD
Máquina 1 3 1 5
Máquina 2 6
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

do (IGD): Reubicación de uno de los trabajos en la mejor
posición posible.
El segundo trabajo quedará asignado a la máquina 2, máquina en la que

hará menor el Ci , en este caso 25, representado en la figura 3.13 .
2 IGD
Máquina 1 3 1 5
Máquina 2 6 2
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

do (IGD): Reubicación del otro trabajo en la mejor posi-
ción posible.
Por último, la figura 3.14 nos muestras el estado final tras la aplicación del
algoritmo IGD.
Máquina 1 3 1 5
Máquina 2 6 2
Máquina 3 4
0 5 10 15 20 25 30 35 40 45

do (IGD): Estado final.
Durante la fase de calibración, para la determinación de su comportamien-

to y la elección del número de trabajos a destruir, como se verá desarrollado en
el anexo C, quedaron determinados en un total de 20 trabajos a destruir para el
IG dirigido.
La fase de reconstrucción del IG dirigido es igual a la del IG estándar con

la salvedad del orden en que se procede a reconstruir los trabajos. Para el IG
estándar, los trabajos se reconstruyen en el mismo orden en el que se destruyen,
es decir, primero los de la máquina de Cmáx , y posteriormente el resto. Hay
que intentar colocar los trabajos de la máquina del Cmáx lo mejor posible. En
cambio, en el IG dirigido, los trabajos a eliminar son de máquinas que van
ostentando un Cmáx parcial, por lo que, a la hora de reconstruir, hacemos una
ordenación al azar, para ganar en variabilidad. Esto demostró resultar positivo
a la hora de los resultados experimentales, como se verá en la sección 3.6.
3.3. Búsquedas locales en vecindarios pequeños o res-

tringidos (RLS)
Las búsquedas locales en vecindarios pequeños o restringidos (restricted
local search o RLS), se basan en la idea de modificar una solución, buscando,
para un grupo reducido de trabajos, una variación de su asignación según
cierto criterio de búsqueda. Esto es mucho más rápido que buscar en todo
el vecindario completo. La variación en el criterio de búsqueda es lo que nos
proporcionará los distintos algoritmos que vamos a estudiar.
Una de las diferencias fundamentales con el algoritmo iterativo voraz (IG),

viene dada por el hecho de que en el IG se destruyen previamente todos los
trabajos que intervendrán en la modificación de la solución, mientras que en
las búsquedas locales en vecindarios pequeños o restringidos, las soluciones
son siempre completas y todos los trabajos están presentes.
Dentro de estas RLS, hemos desarrollado dos tipos. La primera se basa

en buscar la mejor máquina para un trabajo, siempre que ésta sea distinta a la
máquina en la que estaba, y la segunda busca el asignar el trabajo a la mejor
máquina sin haber quitado la asignación previa que tenía.
3.3.1. Búsqueda local restringida-No al mismo sitio (NSP)

En este tipo de modificación de la solución (no same place o NSP), se
trata de elegir un trabajo para el cual se busca qué máquina, dentro de todas
las máquinas posibles excepto donde ya está asignado, hace que la suma del
tiempo de finalización de esta máquina Ci más el tiempo de proceso de ese
trabajo en esa máquina pij sea el menor posible. Una vez hallada, se desasigna
de donde estaba asignado, y se le da como nueva asignación la máquina de
menor Ci + pij . Es de destacar que no hace falta desasignar previamente el
trabajo a modificar, ya que es condición necesaria no asignarlo a la misma
máquina. Se procede nuevamente de este modo hasta alcanzar un número

predeterminado de trabajos a modificar.
Veamos un ejemplo. La figura 3.15 podemos ver como el trabajo que se

decide modificar, el trabajo 1, se prueba en todas las máquinas excepto donde
ya estaba. El menor Ci se obtiene de su asignación a la máquina 2, donde
alcanza el valor de 30, mientras que en la máquina 3 se llegaría hasta los 40.
Nótese que el trabajo 1 no ha sido necesario desasignarlo de la máquina 1 ya
que el algoritmo fuerza a no comprobar la asignación en esa máquina.
1 NSP
Máquina 1 1 3
Máquina 2 2 6 1 NSP
Máquina 3 4 5 1 NSP
0 5 10 15 20 25 30 35 40 45
Figura 3.15 – Ejemplo del algoritmo de búsqueda local en

vecindarios pequeños o restringidos tipo No al mismo sitio
(NSP): Proceso.
Finalmente, se asigna el trabajo 1 a la máquina 2 y se desasigna de la

máquina 1. Esto se realizaría con tantos trabajos como previamente se hubiese
determinado.
Máquina 1 3
Máquina 2 2 6 1
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45
Figura 3.16 – Ejemplo del algoritmo de búsqueda local en

vecindarios pequeños o restringidos tipo No al mismo sitio
(NSP): Estado final.
Para la determinación del número de trabajos a modificar y así como

para observar su comportamiento, se procedió a una calibración del algoritmo,
como se verá en el anexo C, encontrando que, al igual que en casos anteriores,
la mejor opción viene dada por la modificación de trabajos del Cmáx y otros al
azar. En este caso se quedo fijados en 1 solo trabajo a modificar de la máquina
del Cmáx y 1 solo trabajo del resto de las máquinas.
3.3.2. Búsqueda local restringida-Virtual (Vir)

Este último algoritmo, resulta ser de los cuatro algoritmos que se proponen,
el menos ortodoxo de todos ellos. Se basa en la misma filosofía que el anterior,
donde hay un número fijo de trabajos a modificar; para cada uno de ellos se
busca qué máquina, dentro de todas las máquinas posibles, hace que la suma
del tiempo de finalización de esta máquina Ci más el tiempo de proceso de
ese trabajo en esa máquina pij sea el menor, pero en este caso incluyendo
también la máquina donde ya estaba asignado. Una vez hallada, se desasigna
de donde estaba asignado, y se le da como nueva asignación la máquina de

menor Ci + pij .
En este caso, hay que fijarse que la desasignación es posterior a la deter-

minación de la mejor posición posible, y se comprobara también el resultado
de Ci + pij para la máquina en la que aún está asignado.
Dicho de otro modo, al no haber sido desasignado el trabajo, y permitir la
asignación a la misma máquina donde originalmente está, es como si se tratara
de asignar dos veces el mismo trabajo, uno real que aún esta asignado en la
máquina original, y otro virtual que es el que se trata de secuenciar en todas
las máquinas para buscar su mejor posición. Esto nos lleva a que, en ocasiones,
el trabajo se vuelva asignar a la misma máquina a pesar de que no lo hemos
quitado todavia, es decir, tiene asignado el trabajo real y el virtual. Evidente-
mente, al finalizar, se desasigna el trabajo real y se deja en trabajo virtual en
la nueva asignación, que, en el caso de que coincidan en la misma máquina,
no variara la solución original. Lo que esto nos proporciona son trabajos cuya
asignación en una determinada máquina es tan buena que, aunque tuviera que
repetirse el trabajo, se seguiría asignando a la misma máquina. Esto viene a
suavizar el algoritmo anterior, donde muchas veces, y como se puede ver en los
ejemplos usados, seleccionar un trabajo a quitar de una máquina y no permitir
que vuelva a esa máquina, empeora, de facto, la solución inicial.
En el ejemplo de la figura 3.17 el trabajo 1 es el que vamos a modificar.

Se busca la posición que hace menor el tiempo de finalización (Ci ), sin haber
desasignado previamente el trabajo 1 de la máquina 1. En este caso la mejor
opción es colocarlo en la máquina 1, es decir, habría momentáneamente dos
trabajos 1 en la máquina 1.
1 VIR
Máquina 1 1 3 1 VIR
0 5 10 15 20 25 30 35 40 45
Figura 3.17 – Ejemplo 1 del algoritmo de búsqueda local

en vecindarios pequeños o restringidos tipo Virtual: Proce-
so.
El resultado final que refleja la figura 3.18 muestra como el trabajo 1 se

mantiene en la máquina 1 y se ha procedido a la desasignación del trabajo 1
original de dicha máquina, por lo que solo queda un trabajo 1. Para el objetivo
del R//Cmáx resulta indiferente el orden de secuenciación en la máquina, como
ya se comentó.
Máquina 1 3 1
Máquina 2 2 6
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45

en vecindarios pequeños o restringidos tipo Virtual: Estado
final.
Veamos un segundo ejemplo donde el trabajo a modificar no se quede en

la máquina original. En la figura 3.19 podemos ver como el trabajo a modificar
en esta ocasión es el trabajo 2. En este caso, el trabajo 2 virtual sí que tiene una
mejor posición en una máquina distinta (máquina 1) a donde originalmente
esta asignado (máquina 2).
2 VIR
0 5 10 15 20 25 30 35 40 45

en vecindarios pequeños o restringidos tipo Virtual: Proce-
so.
La situación final queda reflejada en la figura 3.20, donde se ha asignado

el trabajo 2 a la máquina 1 y desasignado dicho trabajo de la máquina donde
originalmente estaba (máquina 2).
Máquina 1 1 3 2
Máquina 2 6
Máquina 3 4 5
0 5 10 15 20 25 30 35 40 45

en vecindarios pequeños o restringidos tipo Virtual: Estado
final.
Dentro de la calibración, se observó que un número de modificaciones de 5

trabajos para la máquina con el Cmáx y otros 5 al azar, proporcionaba un buen
comportamiento y resultados, como se verá en detalle en el anexo C.
3.4. Instancias
En general, cada autor genera sus propias instancias, como por ejemplo
Martello, Soumis y Toth (1997), Sourd (2001) o Mokotoff y Jimeno (2002),
pero posteriormente no son publicadas, además de no ser reutilizadas, por lo
que para el presente estudio creamos un conjunto de instancias de los más
amplios empleados en la literatura del problema de R//Cmáx .
En general, casi todos los autores que han escrito sobre este problema usan
tres tipos diferentes de intervalos:
Los basados en una distribución uniforme, donde no hay ningún tipo de

3.4. Instancias 71
relación entre las máquinas ni entre los trabajos, y los tiempos pij se
asignan sacando un número al azar de entre los limites de esa distribu-
ción. Por ejemplo, en una distribución U (1, 100), significaría que, los
pij para los distintos trabajos y máquinas, podrían tomar cualquier valor
entre 1 y 100.
Los basados en una relación entre los trabajos, donde cada tiempo de
proceso pij viene dado por la expresión pij = bj + dij donde bj y dij
son dos números generados al azar entre las distribuciones uniformes
U (1, 100) y U (1, 20), respectivamente. Intuitivamente, se puede ver a bj
como el valor principal de lo que cuesta procesar el trabajo j, mientras
que dij se puede ver como la desviación que se produce entre ese valor
principal y su procesado en la máquina i.
Los basados en una relación entre las máquinas, donde cada tiempo de
proceso pij viene dado por la expresión pij = ai + cij donde ai y cij
son dos números generados al azar entre las distribuciones uniformes
U (1, 100) y U (1, 20), respectivamente. El valor de ai viene a representar
el valor principal de lo que le cuesta realizar un trabajo a la máquina i,
mientras que cij se puede ver como la desviación que se produce entre
ese valor principal y su procesado cuando se realiza el trabajo j.
Dentro del número de máquinas y trabajos a considerar en las instancias,

nos decantamos por los más usuales a partir de los últimos trabajos que cons-
tituían el estado del arte como Ghirardi y Potts (2005), los cuales optaron por
usar 10, 20, 30, 40 y 50 máquinas y 100, 200, 500 y 1000 trabajos, es decir se
llega hasta instancias de 1000 × 50, de lo más grande tratado en la literatura.
Para cada combinación se crearon 10 instancias. Esto supone un total de 200
instancias por cada intervalo de distribución de tiempos de proceso pij que se
considere, como se detallará más adelante. Aunque en trabajos anteriores se

usaron instancias más pequeñas, con unos números de trabajos y/o máquinas
menores, los algoritmos actuales resuelven de forma óptima estas instancias
pequeñas, por lo que no se han incluido en el presente estudio.
Existe, además, una cierta disparidad en los intervalos de tiempos de proceso
empleados en los distintos artículos. En los trabajos más clásicos como Glass,
Potts y Shade (1994) o Piersma y van Dijk (1996) se usaban mayoritariamente
los intervalos de una distribución uniforme U (1, 100), mientras que en los
artículos más recientes Ghirardi y Potts (2005), Mokotoff y Jimeno (2002) o
Martello, Soumis y Toth (1997) se extendía el uso del intervalo U (10, 100).
Por el contrario, sí coinciden en la distribución de tiempos para máquinas
relacionadas y trabajos relacionados, donde los autores usan mayoritariamente
las distribuciones de Glass, Potts y Shade (1994).
Con todo, al hacer las pruebas en el intervalo U (1, 100) vimos que CPLEX
11.0 resolvía de forma óptima, imponiendo un límite de tiempo máximo de
2 horas por cada instancia, 176 de 200 instancias. En cambio, en el interva-
lo U (10, 100), solo resolvía 52 de las 200. Esto nos llevó a probar nuevos
intervalos de pij , para comprobar la dependencia entre los algoritmos y las
distribuciones de pij . Además, la distribución U (1, 100) es poco realista, ya
que supone diferencias de hasta un 10.000 % en el tiempo de ejecución de un
trabajo según la máquina; por ejemplo, el trabajo 1 puede hacerlo la máquina
1 en 1 hora, y la máquina 2 en 100 horas (4 días y 4 horas), y para el trabajo 2,
lo contrario, la máquina 1 tardar más de 4 días y la máquina 2 solo 1 hora.
Así, se proponen, además de los consabidos U (1, 100) y U (10, 100), el
U (100, 200), por ser la misma dispersión de 100 unidades temporales, pero
en otro intervalo, que suponen diferencias máximas de un 100 %. El intervalo
U (100, 120), con diferencias del 20 % y poca dispersión, para evaluar también
este factor. Por último, U (1000, 1100), por ser la misma dispersión de 100
unidades temporales, pero en otro intervalo, que suponen diferencias de un
10 %, además de evaluar valores temporales altos.
3.5. Implementación de los métodos propuestos 73
La generación de instancias se ha hecho con el algoritmo generador proporcio-

nado por Woclaw (2006), y después se han usado esas mismas instancias para
todos los algoritmos. Dichas instancias están disponibles en http://soa.iti.es.
Por tanto se van a generar 10 instancias por cada combinación de 10, 20, 30,
40 y 50 máquinas y 100, 200, 500 y 1000 trabajos, es decir 200 instancias,
en cada uno de los 7 intervalos temporales a estudiar, U (1, 100), U (10, 100),
U (100, 200), U (100, 120), U (1000, 1100), trabajos correlacionados y máqui-
nas correlacionadas, lo que nos da un total de 1400 instancias a considerar.
Se trata de uno de los grupos de instancias más extenso que se ha generado para
el estudio del problema de R//Cmáx , con una gran variedad de intervalos, en
los que se incluyen los intervalos más usuales de la literatura y que nos per-
mitirán una buena evaluación del comportamiento de los distintos algoritmos
a estudiar.
3.5. Implementación de los métodos propuestos

Todas las pruebas se han hecho en ordenadores tipo PC/AT con procesador
Pentium 4 con 3.0 GHz y con 1 GB de memoria RAM empleando el sistema
operativo Windows XP 32 bits SP3.
Pasemos a detallar como se han hecho las implementaciones de los distin-

tos algoritmos con los que se han hecho comparaciones: Partial de Mokotoff
y Jimeno (2002), RBS de Ghirardi y Potts (2005) y los algoritmos propuestos;
así mismo, se ha empleado como elemento a incluir en las comparaciones el
solver CPLEX 11.0.
El algoritmo de Partial de Mokotoff y Jimeno (2002), nos ha sido proporciona-
do amable y desinteresadamente por Andreas Woclaw, el cual lo implementó
en C++ para trabajar en Linux, con un parámetro de r = 0,5 que demostró su
mejor comportamiento en las pruebas iniciales. Hemos ejecutado el algoritmo
en Linux Ubuntu con un acceso a una licencia de CPLEX 11.0 sobre Linux.
El algoritmo de RBS de Ghirardi y Potts (2005), ha sido cedido por Marco

Ghirardi, esta desarrollado en C++ para Windows XP. Se generó un ejecutable
a partir del código que nos proporcionó, el cual se ha hecho rodar en Windows
XP. Se ha modificado el algoritmo para que lea el conjunto de instancias común
a todos los algoritmos, ya que el original creaba instancias nuevas en cada
ejecución.
CPLEX 11.0 se probó con la programación lineal que exige el problema, sien-
do cargado en el mismo grupo de ordenadores con sistema operativo Windows
XP.
Los algoritmos propuestos: IGS, IGD, NSP y Vir, se han desarrollado en

Delphi 2007 con el flag de optimización activado.
A diferencia de los anteriores, los algoritmos propuestos tienen un componente
de azar que añade variabilidad a las soluciones pero que produce pequeñas
variaciones en los resultados, por lo que se han hecho 5 réplicas para cada una
de las 200 instancias en cada intervalo.
Hay que tener en cuenta que los algoritmos desarrollados en Delphi 2007
son del orden de un 20 % más lentos que los desarrollados en C++. No obstan-
te, no se ha hecho ningún tipo de corrección en este sentido. Con respecto
al tiempo de ejecución, cabe destacar que tanto los algoritmos propuestos
como CPLEX 11.0, se pueden parar cuando se desee. El tiempo que hemos
considerado suficiente para las pruebas iniciales ha sido de 15 segundos, dado
que en este tiempo CPLEX 11.0 era capaz de resolver todas las instancias de
100 trabajos para el intervalo U(1,100). No obstante, en capítulos posteriores
se evalúan los resultados de los mejores algoritmos para una amplia variedad
de tiempos.
Partial se desarrolla en dos partes diferenciadas, la que obtiene una primera
solución por relajación, tal y como se detalló en la sección 2.3.2.1, y la que
desarrolla el algoritmo tomando nuevas variables de la lista y depurándolas.
3.6. Análisis computacional 75
Durante la primera parte no se puede interrumpir, así que los 15 segundos se

contabilizan exclusivamente durante la segunda parte, lo que le lleva a tiempos
que llegan a superar los 60 segundos para las instancias más grandes. Por
su parte, RBS es un algoritmo determinista que finaliza cuando realiza toda
su tarea, esto nos lleva desde tiempos muy breves para 100 trabajos (menos
de 1 segundo) hasta tiempos muy elevados para 1000 trabajos (más de 100
segundos). Curiosamente, RBS da peores resultados para las instancias con
menos trabajos (y menos tiempo de CPU) que para las instancias con más
trabajos (y más tiempo de CPU). En realidad el crecimiento de tiempos es casi
exponencial y pruebas realizadas para más trabajos disparaban los tiempos de
resolución. No obstante lo anterior, no se ha hecho ningún tipo de corrección
y se ha ejecutado cada algoritmo con las características mencionadas. Así
mismo, las comparativas son en el mismo tipo de ordenador, con las mismas
instancias y con el tiempo que se ha indicado para cada algoritmo.
3.6. Análisis computacional

En esta sección llevamos a cabo una comparativa entre el estado del arte
(Partial, RBS y CPLEX 11.0) y los algoritmos propuestos, analizándolos en
cada intervalo objeto de estudio, donde se expondrá un resumen de los resul-
tados y el ANOVA (ANalysis Of VAriance) correspondiente, dejando como
anexo las tablas completas. Seguidamente se hará un análisis comparativo del
comportamiento global de los algoritmos para todos los intervalos.
Recordemos que los análisis se han hecho para los tiempos de proceso pij ,
comprendidos dentro de los intervalos U (1, 100), U (10, 100), U (100, 200),
U (100, 120), U (1000, 1100), trabajos correlacionados y máquinas correlacio-
nadas, como ya se vio en la sección 3.4. Las comparativas se llevan a cabo
para cada intervalo, en ellas mostramos una tabla con las medias, una tabla
general con los resultados globales y otras dos tablas, una donde se agrupan
por el número de trabajos y otra donde se agrupan por el número de máquinas.
En el anexo B se han incluido dos gráficos por cada intervalo de pij , que
representan, una, la interacción de los distintos algoritmos y el número de
trabajos, y la otra, la interacción de los distintos algoritmos y el número de
máquinas. Estos gráficos nos ayudan a visualizar lo que los datos numéricos
también nos indican.
En todas las tablas de la presente sección, los datos reflejan la desviación

porcentual (Relative Percentage Deviation, RPD) , dada por la fórmula:
∗ (k)
Cmáx (k) − Cmáx
RP D( %) = ∗ (k) · 100 (3.1)
Cmáx
Donde se hallara la desviación porcentual para cada instancia que hay de
cada combinación del número de trabajos n y del número de máquinas m,
∗ (k) el valor obtenido por CPLEX 11.0 tras una máximo de 2 horas
siendo Cmáx
y Cmáx (k) el valor obtenido por el algoritmo en cuestión. En el caso de los
algoritmos propuestos, este valor Cmáx (k), será la media de las 5 réplicas que
se han hecho para cada instancia.
Así mismo, se realizan algunos test de estadísticos para garantizar que las
diferencias observadas en las medias son estadísticamente significativas. Se
lleva a cabo un Diseño de Experimentos (DOE, Montgomery, 2009) donde
se estudia un solo factor, es decir, el tipo de algoritmo a 7 niveles y la des-
viación porcentual que se da en respuesta a esta variable. Teniendo en cuenta
cada una de las instancias evaluadas, nos encontramos con 1.400 resultados
para CPLEX, Partial y RBS y 7.000 resultados (cinco réplicas) para cada
uno de los algoritmos propuestos. Esto nos da un total de 32.200 resultados.
Los resultados de la DOE se analizaron mediante el Analisis de Varianza
(ANOVA, Analysis Of Variance); esta colección de modelos estadísticos y sus
procedimientos asociados, sirve para comparar si los valores de un conjunto
de datos numéricos son significativamente distintos a los valores de otro u
otros conjuntos de datos, basándose en la varianza global observada en los
grupos de datos numéricos a comparar. Este análisis de varianza se utiliza
para realizar un contraste de hipótesis de la conclusión de que la media de

un conjunto de datos es distinta de la media de otro conjunto. El ANOVA parte
de algunos supuestos que han de cumplirse, la independencia de las observa-
ciones, la distribución normal de los datos evaluados y la homocedasticidad u
homogeneidad de las varianzas. En este tipo de análisis no solo se muestra la
media, sino también el intervalo de variación en el que, con una probabilidad
determinada, se encontrara dicho valor; en nuestro caso se fijó en un 95 %.
Esto implica que, con una probabilidad de un 95 %, la media obtenida estará
dentro del intervalo que aparece reflejado, y que si este intervalo coincide en
parte con otro intervalo, estadísticamente no se puede decir de ellos que sean
significativamente distintos.
En este análisis, se podrá apreciar como los intervalos de variación de los
algoritmos propuestos son mas estrechos que el resto, debido a que para dichos
algoritmos se promedian las 5 réplicas realizadas, dado el componente de azar
que tienen, mientras que el resto de algoritmos proporcionan la misma solución
cuantas veces repitas el experimento con las mismas instancias.
En la tablas de las medias se ha añadido el número de instancias evaluadas

de cada uno de los algoritmos e intervalos (recordemos que para los algoritmos
propuestos se han realizado 5 replicas por cada instancia), la media, el error
standard y los límites inferior y superior del intervalo de confianza del 95 % de
cada media.
En la tabla general también se han añadido los tiempos medios que tardan
en resolver las instancias Partial y RBS, al ser los algoritmos que no se
detienen a los 15 segundos, como si hacen los algoritmos propuestos y CPLEX
11.0. Recordemos que Partial puede superar los 60 segundos, mientras que
RBS alcanza más de 100. Así mismo, en el código proporcionado por el
autor del algoritmo RBS, si el tiempo de proceso era menos de 1 segundo,
no se contabilizaba, y simplemente se indicaba como “menor de 1 seg”;
por tanto, a efectos de cálculo, esto se ha reflejado con un valor de 0,5
segundos. Finalmente, a efectos comparativos, se ha añadido el tiempo que

tarda el mejor algoritmo propuesto, Vir, en encontrar la solución final de las
distintas instancias, dentro del intervalo de 15 segundos que tiene fijado para la
finalización. Es decir, tras finalizar los 15 segundos, se observa la solución final
que ha hallado, y se extrae en qué momento de esos 15 segundos ha hallado la
solución dada al final. En las distintas tablas se podrá apreciar la velocidad de
los algoritmos propuestos frente a Partial y RBS.
En las tablas generales de la presente sección solo se representarán las medias,
no obstante, se pueden consultar las tablas completas en el Anexo A, donde
se detallan los resultados para cada instancia, el Cmáx hallado por CPLEX
11.0 tras una máximo de 2 horas y el tiempo empleado por el mismo para
alcanzar el óptimo o, en caso de no hallarlo, el Gap o la diferencia con la cota
inferior (LB). La cota inferior hallada representa el valor por debajo del cual
no será posible hallar una solución, es decir, nos ofrece un límite inferior para
la posible solución óptima. La formula con la que calcularemos el Gap, que
expresaremos en tanto por cien, vendrá dada por:
Cmáx − LB
Gap( %) = · 100 (3.2)
Cmáx
Hay que tener en cuenta que, aún después de 2 horas, CPLEX 11.0 no
consigue hallar el óptimo para un gran número de instancias. Es más, el
número de instancias que resuelve CPLEX 11.0 tras una máximo de 2 horas
varía mucho según el intervalo de tiempos de proceso que se estudie. Un
resumen del resultado del tanto por cien de las instancias resueltas queda
reflejado en la tabla 3.5.
n m U(1,100) U(10,100) U(100,200) U(100,120) U(1000,1100) jobcorre maqcorre
100 10 100 100 100 80 30 0 100

100 20 100 50 80 70 40 0 90
100 30 100 50 0 50 0 0 90
100 40 100 90 10 90 0 0 90
100 50 100 90 20 100 100 0 100
200 10 100 30 30 60 0 0 40
200 20 100 10 10 40 0 0 40
200 30 100 0 0 0 0 0 50
200 40 100 10 20 100 20 0 70
200 50 100 10 10 90 0 0 70
500 10 90 40 0 80 0 0 20
500 20 70 20 0 30 0 0 10
500 30 80 0 0 0 0 0 30
500 40 70 0 0 20 0 0 10
500 50 80 0 0 40 0 0 50
1000 10 80 20 0 100 0 60 0
1000 20 50 0 0 30 0 0 0
1000 30 70 0 0 0 0 0 10
1000 40 90 0 0 0 0 0 30
1000 50 80 0 0 0 0 0 50
Instancias resueltas 88 26 14 49 9,5 3 47,5
U(x,y):Distribucion uniforme entre x e y; jobcorre:trabajos correlacionados; maqcorre:máquinas corre-
lacionadas.
Tabla 3.5 – Tabla del porcentaje del número de instancias

resueltas por CPLEX 11.0, tras 2 horas de tiempo de CPU
como máximo con cada instancia, para todos los intervalos
de tiempos de proceso.
En general, de las 1.400 instancias, CPLEX 11.0 es capaz de resolver un

total de 474 instancias de forma óptima tras un máximo de 2 horas con cada
instancia. En la tabla se puede apreciar también como la capacidad de CPLEX
11.0 para resolver de forma óptima las instancias al cabo de un máximo de

2 horas, va disminuyendo con el aumento del valor máximo y el mínimo que
pueden adoptar los valores de pij , si se mantiene la dispersión de las unidades
temporales, en este caso 100. En el caso de disminuir la dispersión de las
unidades temporales, vuelve a mejorar el comportamiento de CPLEX, como se
da en el caso de U(100,120), posiblemente por la disminución de la variedad
de valores a elegir. También podemos observar como solo en el caso U(1,100)
es capaz de resolver más del 50 % de las instancias, y que para bastantes casos
no llega a resolver ni la cuarta parte de ellas.
En las siguientes secciones pasamos a detallar todos los resultados, desglo-

sándolos para cada uno de los siete intervalos estudiados y finalizando con la
presentación de un resumen de todos los intervalos en su conjunto. Se pueden
ver más detalles de este estudio en el anexo B.
3.6.1. Intervalo U(1,100)

Ya comentamos que este intervalo era uno de los más usados en la literatura
concerniente al problema R//Cmáx . Bajo nuestro punto de vista, este interva-
lo, en el caso de máquinas paralelas, resulta poco realista por haber mucha
diferencia (un 10.000 %) entre el menor y el mayor posible tiempo de proceso
para un mismo trabajo. No obstante, realizamos las pruebas en este intervalo
dado su amplio uso en la literatura para otros problemas, y fue el usado en los
trabajos más clásicos de este problema, como Glass, Potts y Shade (1994) o
Piersma y van Dijk (1996).
Observando las medias en las tablas 3.6 y 3.7, se puede apreciar el buen
comportamiento de CPLEX 11.0 frente al resto de algoritmos, siendo el que
proporciona peores resultados Partial, que es un algoritmo específico para este
problema y que usa como solver el CPLEX 11.0. Puntualmente, se puede
constatar el mal comportamiento de RBS para 100 trabajos y 10 máquinas
frente al resto, y el buen comportamiento si son 1000 los trabajos y 50

las máquinas, aunque en este caso el tiempo de resolución alcanza los 70,9
segundos frente a los 3,7 segundos de Vir. Es más, para 1000 trabajos y 10
máquinas es dos veces peor que Vir a pesar de emplear 72,3 segundos en
resolver estas instancias frente a los 7,3 que emplea Vir. Así mismo, en este
intervalo, los algoritmos propuestos obtienen buenos resultados, sobre todo
Vir, aunque no son los mejores en este caso. Igualmente queda claro la rapidez
de Vir con una media de resolución de 3,4 segundos frente a Partial con 18,6 o
RBS con 19,9, así como un máximo de 7,3 segundos para Vir, frente a máximos
de 72,3 segundos de RBS o de 63,3 segundos de Partial.
Algoritmo Núm. Media Error Stnd. Lim. Inf. Lim. Sup.

CPLEX 200 1,88 0,16 1,58 2,19
Partial 200 2,88 0,16 2,57 3,19
RBS 200 2,03 0,16 1,72 2,34
IGS 1000 2,46 0,07 2,32 2,60
IGD 1000 2,85 0,07 2,71 2,98
NSP 1000 2,82 0,07 2,69 2,96
Vir 1000 2,30 0,07 2,16 2,44
Núm.= número de instancias evaluadas (×5 replicas para los algoritmos propuestos),
Lim. Inf. y Sup. del intervalo del 95 %.
Tabla 3.6 – Tabla de medias, error relativo porcentual me-

dio y limites inferior y superior del intervalo de confianza
del 95 % para el intervalo U(1,100).
Instancias Algoritmos ( % de desviación) Tiempo en seg

n m CPLEX Partial RBS IGS IGD NSP Vir Partial RBS Vir
100 10 0,00 0,38 2,40 0,14 0,20 0,22 0,15 13,4 0,5 1,4
100 20 0,00 0,63 2,88 0,46 0,99 1,03 1,18 8,3 0,5 1,6
100 30 0,00 2,99 1,21 0,63 1,46 0,85 0,86 1,3 0,5 1,0
100 40 0,00 7,41 2,74 1,48 4,31 2,74 2,74 0,7 0,5 0,7
100 50 0,00 7,94 0,00 1,25 2,86 1,25 1,25 1 0,5 0,2
200 10 0,20 0,34 1,34 0,37 0,39 0,50 0,42 15,3 0,5 3,4
200 20 1,75 1,39 2,28 1,68 1,75 1,82 1,68 14,7 0,5 3,6
200 30 2,12 1,82 3,59 2,38 2,83 2,96 2,53 14,1 0,5 2,6
200 40 3,03 1,73 4,18 3,37 4,91 4,19 3,48 10,4 0,5 2,2
200 50 1,60 7,31 4,87 4,71 5,96 5,19 5,32 7 0,5 2,2
500 10 0,29 0,31 0,97 0,57 0,56 0,57 0,53 15,7 8,5 6,2
500 20 1,26 0,96 1,48 2,28 2,30 2,35 1,84 17,1 9,0 5,7
500 30 3,40 2,31 2,00 4,05 3,78 4,21 2,96 19,6 8,1 6,0
500 40 4,15 3,64 1,82 4,19 3,98 4,86 3,52 22,7 7,6 3,4
500 50 5,63 6,37 1,88 6,07 5,55 7,21 4,80 27 7,5 2,6
1000 10 0,19 0,54 0,73 0,42 0,41 0,41 0,38 16,9 72,3 7,3
1000 20 1,35 0,91 1,09 1,44 1,46 1,46 1,29 23 71,4 5,3
1000 30 2,36 2,03 1,57 3,25 3,09 3,42 2,70 32,6 70,8 4,6
1000 40 4,26 4,12 2,00 4,81 4,63 5,00 3,96 47,7 67,1 5,2
1000 50 6,05 4,50 1,57 5,66 5,51 6,21 4,38 63,3 70,9 3,7
media 1,88 2,88 2,03 2,46 2,85 2,82 2,30 18,6 19,9 3,4
IGS:IG-Standard; IGD:IG-Dirigido; NSP:Búsqueda local restringida-No al mismo sitio;
Vir:Búsqueda local restringida-Virtual
Tabla 3.7 – Comparación general entre los algoritmos

CPLEX, Partial, RBS, IGS, IGD, NSP y Vir para el in-
tervalo de distribución de tiempos de proceso U(1,100).
En la distribución por número de trabajos de la tabla 3.8, se puede apreciar

como RBS da los mejores resultados con mayor número de trabajos, pero
con tiempos de resolución, para 1000 trabajos, de alrededor de 70 segundos,
los cuales son muy superiores a los 15 segundos fijados para el resto de
algoritmos. Por contra, para 200 trabajos, RBS da los peores resultados. Este
comportamiento anómalo para 200 trabajos de RBS, así como más detalles,
pueden consultarse en el anexo B.
Trabajos CPLEX Partial RBS IGS IGD NSP Vir

100 0,00 3,87 1,85 0,79 1,97 1,22 1,24
200 1,74 2,52 3,25 2,50 3,17 2,93 2,69
500 2,94 2,72 1,63 3,43 3,23 3,84 2,73
1000 2,84 2,42 1,39 3,11 3,02 3,30 2,54
Media 1,88 2,88 2,03 2,46 2,85 2,82 2,30
IGS:IG-Standard; IGD:IG-Dirigido; NSP:Búsqueda local restringida-No al mis-
mo sitio; Vir:Búsqueda local restringida-Virtual
Tabla 3.8 – Comparación entre los algoritmos agrupados

por número de trabajos CPLEX, Partial, RBS, IGS, IGD,
NSP y Vir para el intervalo de distribución de tiempos de
proceso U(1,100).
En la distribución por número de máquinas de la tabla 3.9, es de destacar

el mal comportamiento de RBS para pocas máquinas, que en el caso de 10
máquinas llega a ser más de tres veces peor que cualquier otro algoritmo. En
20 máquinas sigue siendo el peor, para dar los mejores resultados para los
números superiores de máquinas. Aquí se observa también un valor menor
para 50 máquinas en RBS que para 40, siendo que el resto de algoritmos tiene
una tendencia natural alcista según se incrementa el número de máquinas. Más
detalles en el anexo B.
Máquinas CPLEX Partial RBS IGS IGD NSP Vir

10 0,17 0,39 1,36 0,38 0,39 0,43 0,37
20 1,09 0,97 1,93 1,46 1,62 1,67 1,50
30 1,97 2,29 2,09 2,58 2,79 2,86 2,26
40 2,86 4,23 2,68 3,46 4,46 4,20 3,43
50 3,32 6,53 2,08 4,42 4,97 4,96 3,94
Media 1,88 2,88 2,03 2,46 2,85 2,82 2,30
IGS:IG-Standard; IGD:IG-Dirigido; NSP:Búsqueda local restringida-No al mismo
sitio; Vir:Búsqueda local restringida-Virtual

por número de máquinas CPLEX, Partial, RBS, IGS, IGD,
proceso U(1,100).
En el análisis ANOVA, se puede observar que las diferencias entre las

medias observadas en la figura 3.21 no son estadísticamente significativas en
los casos de CPLEX 11.0, ni el RBS ni el Vir, a pesar de tener mejor media
el primero. Igualmente, IGS no es significativamente distinto de RBS y Vir,
aunque sí lo es de CPLEX 11.0. El resto de algoritmos son distintos y con
peores resultados que los tres primeros mencionados.
Por tanto, en este intervalo, los algoritmos con mejores resultados correspon-
den a CPLEX 11.0, RBS y Vir.
Figura 3.21 – Gráfico ANOVA de los algoritmos CPLEX,

Partial,RBS, IGS, IGD, NSP y Vir para el intervalo de
distribución de tiempos de proceso U(1,100).
En el presente intervalo U(1,100), CPLEX 11.0 resolvió, de forma óptima,

176 de las 200 instancias al cabo de un máximo de dos horas con cada
instancia. Entre las instancias no resueltas, el Gap máximo alcanzó el 3,7 %
y un valor medio de 1,49 %.
3.6.2. Intervalo U(10,100)

Este intervalo es el más usado en los últimos trabajos como los de Sourd
(2001), Mokotoff y Jimeno (2002) o Ghirardi y Potts (2005). En él, las diferen-
cias entre el máximo y el mínimo, son de un 1.000 %, que creemos aún están
algo lejos de ser realistas para muchos problemas.
En las tablas 3.10 y 3.11 para este intervalo, Partial nos muestra una mejor
media que el resto de algoritmos, aunque aquí, ya es fácil comprobar que los
algoritmos propuestos de búsqueda local restringida o de pequeños vecindarios
dan unos buenos resultados. Puntualmente, al igual que el caso anterior, RBS
da malos resultados para 100 trabajos y 10 máquinas y buenos para 1000

trabajos y 50 máquinas, aunque con valores de tiempo de resolución muy altos,
dando peores valores RBS en el caso de 1000 trabajos y 10 máquinas a pesar
de usar estos tiempos tan altos frente a Vir.

CPLEX 200 1,64 0,07 1,51 1,77
Partial 200 1,31 0,07 1,18 1,44
RBS 200 1,87 0,07 1,74 2,01
IGS 1000 1,70 0,03 1,65 1,76
IGD 1000 2,27 0,03 2,21 2,33
NSP 1000 1,56 0,03 1,50 1,62
Vir 1000 1,45 0,03 1,39 1,51


100 10 0,06 0,39 1,45 0,49 0,40 0,57 0,37 12,3 0,5 2,4
100 20 0,79 0,53 2,67 0,98 1,25 1,22 0,85 14,6 0,5 2,5
100 30 2,14 1,29 4,49 1,67 3,08 1,88 1,46 14,1 0,5 3,1
100 40 0,29 1,47 4,98 2,82 5,61 3,52 2,70 11,2 0,5 4,0
100 50 0,33 0,67 6,66 0,55 3,34 1,48 0,62 4,2 0,5 2,8
200 10 0,25 0,27 0,80 0,52 0,44 0,43 0,30 13,9 0,5 4,0
200 20 1,66 0,90 1,52 1,67 1,64 1,15 0,94 15,5 0,5 5,3
200 30 2,96 2,40 2,16 2,44 3,00 1,80 1,82 15,9 0,5 5,5
200 40 5,02 2,05 2,68 2,93 4,12 2,46 2,58 16,5 0,5 5,7
200 50 4,36 1,80 1,80 2,43 4,18 1,91 2,27 16,1 0,5 4,7
500 10 0,27 0,23 0,52 0,45 0,45 0,39 0,38 15,7 8,8 6,8
500 20 0,97 0,82 1,02 1,40 1,31 1,10 1,04 17,2 9,0 6,8
500 30 1,80 1,42 0,99 2,17 2,27 1,82 1,74 19,6 10,2 5,9
500 40 2,53 2,66 1,33 3,01 3,21 2,52 2,65 22,9 10,8 6,4
500 50 3,08 3,25 1,28 3,52 3,88 2,84 3,09 26,9 11,3 5,1
1000 10 0,19 0,73 0,39 0,26 0,24 0,23 0,22 17,3 72,4 5,7
1000 20 0,83 0,66 0,47 0,84 0,83 0,75 0,71 23 73,5 6,4
1000 30 1,38 0,98 0,64 1,44 1,47 1,25 1,24 32,8 75,6 6,0
1000 40 1,75 1,72 0,81 2,00 2,04 1,71 1,77 47,1 78,6 5,6
1000 50 2,05 2,05 0,83 2,48 2,67 2,18 2,23 65,4 90,5 4,9
media 1,64 1,31 1,87 1,70 2,27 1,56 1,45 21,1 22,3 5,0

En la distribución por número de trabajos de la tabla 3.12, se vuelve

apreciar como RBS da los mejores resultados con mayor número de trabajos,
pero con tiempos de resolución, para 1000 trabajos, de más de 70 segundos, los
cuales son muy superiores a los 15 segundos fijados para el resto de algoritmos.
Por contra, para 100 trabajos, RBS da los peores resultados con diferencia.
También podemos observar como CPLEX da los mejores resultados para 100
trabajos pero los peores para 200 trabajos.

100 0,72 0,87 4,05 1,30 2,74 1,73 1,20
200 2,85 1,48 1,79 2,00 2,68 1,55 1,58
500 1,73 1,68 1,03 2,11 2,22 1,73 1,78
1000 1,24 1,23 0,63 1,40 1,45 1,22 1,23
media 1,64 1,31 1,87 1,70 2,27 1,56 1,45

proceso U(10,100).
En la distribución por número de máquinas de la tabla 3.13, vuelve a

destacar el mal comportamiento de RBS para pocas máquinas, que en el caso
de 10 máquinas llega a ser dos veces peor que cualquier otro algoritmo. En 20
máquinas sigue siendo el peor. Los mejores resultados para cualquier número
de máquinas, excepto 10, los obtuvo Partial.

10 0,19 0,40 0,79 0,43 0,38 0,41 0,32
20 1,06 0,73 1,42 1,22 1,26 1,05 0,89
30 2,07 1,52 2,07 1,93 2,46 1,69 1,57
40 2,40 1,97 2,45 2,69 3,75 2,55 2,43
50 2,46 1,94 2,64 2,24 3,52 2,10 2,05
media 1,64 1,31 1,87 1,70 2,27 1,56 1,45

proceso U(10,100).
Con el análisis de ANOVA de la figura 3.22, podemos ver como siendo

el mejor algoritmo Partial, no es significativamente distinto de Vir, e incluso
llega a estar dentro del límite CPLEX. El algoritmo NSP queda muy cerca de
estar dentro del intervalo de Partial. También podemos observar como RBS,
IGS y NSP, no son significativamente distintos de CPLEX. Por tanto, en este
intervalo, los algoritmos con mejores resultados serían Partial y Vir, teniendo
también unos buenos resultados CPLEX y NSP.

Partial, RBS, IGS, IGD, NSP y Vir para el intervalo de
En el presente intervalo U (10, 100), CPLEX 11.0 resolvió, de forma óp-

tima, 52 de las 200 instancias al cabo de un máximo de dos horas con cada
3.6.3. Intervalo U(100,200)

Aquí se introduce el primer intervalo novedoso. Se buscó un intervalo que
tuviera la misma dispersión temporal (100 unidades), pero que representara
una diferencia entre el máximo y mínimo del intervalo más pequeña y más
acorde con los problemas reales que conocemos. Así pues, un intervalo de 100
a 200 cumple con estos requisitos, ya que nos lleva a diferencias del 100 %
entre el mayor y menor valor de los tiempos de proceso para un mismo trabajo.
Las medias en este intervalo, que podemos ver en las tablas 3.14 y 3.15, ya
dejan claro que los algoritmos propuestos dan los mejores resultados frente al
resto de métodos. Puntualmente, los algoritmos propuestos, excepto IGS, dan

valores negativos para 200 × 30, lo que indica que obtiene mejores resultados
en 15 segundos que CPLEX tras un máximo de 2 horas con cada instancia. El
algoritmo NSP es el que mejores resultados da, batiendo a CPLEX, Partial o
RBS por más del doble, seguido de Vir en cuanto a buenos resultados; es decir
los algoritmos de búsqueda local restringida o de vecindarios pequeños son los
de mejores resultados en este intervalo.

CPLEX 200 0,76 0,03 0,71 0,81
Partial 200 1,05 0,03 1,00 1,10
RBS 200 0,81 0,03 0,76 0,86
IGS 1000 0,52 0,01 0,49 0,54
IGD 1000 0,49 0,01 0,46 0,51
NSP 1000 0,36 0,01 0,34 0,38
Vir 1000 0,45 0,01 0,43 0,47


100 10 0,07 0,09 1,22 0,33 0,25 0,30 0,19 15,3 0,5 6,1
100 20 0,38 0,47 1,07 0,39 0,29 0,37 0,32 14,2 0,5 4,9
100 30 1,90 2,81 1,01 0,21 0,14 0,16 0,03 15,4 0,5 3,8
100 40 1,38 2,43 0,99 0,47 0,61 0,42 0,34 15,5 0,5 4,3
100 50 0,28 0,14 1,66 0,14 0,44 0,22 0,35 13,9 0,5 4,3
200 10 0,69 0,43 1,06 0,40 0,30 0,23 0,29 15,4 0,5 9,0
200 20 0,50 0,83 1,42 0,74 0,60 0,47 0,64 15,6 0,5 7,8
200 30 1,15 2,73 0,01 0,11 -0,04 -0,29 -0,12 16,1 0,5 7,4
200 40 1,01 1,06 0,89 0,83 0,72 0,48 0,83 16,5 0,7 7,0
200 50 0,85 0,68 1,12 0,95 0,86 0,55 0,96 16,4 1,0 6,4
500 10 0,29 0,23 0,49 0,26 0,19 0,13 0,18 15,8 8,9 10,2
500 20 1,05 0,66 1,04 0,75 0,64 0,58 0,67 17,3 9,5 9,2
500 30 0,91 1,47 0,57 0,78 0,74 0,56 0,66 19,8 10,1 8,2
500 40 0,48 2,15 0,32 0,54 0,49 0,35 0,43 23,3 11,0 7,2
500 50 0,69 0,98 0,69 0,84 0,84 0,58 0,80 27,4 11,8 8,7
1000 10 0,21 0,31 0,22 0,13 0,12 0,08 0,11 17,4 73,6 9,8
1000 20 0,80 0,67 0,64 0,50 0,46 0,38 0,46 23,5 75,6 11,3
1000 30 0,84 0,93 0,56 0,66 0,69 0,59 0,64 33,7 79,0 10,2
1000 40 0,98 1,18 0,70 0,69 0,70 0,58 0,66 48,6 84,6 10,4
1000 50 0,71 0,69 0,54 0,60 0,65 0,48 0,58 67,5 97,3 9,8
media 0,76 1,05 0,81 0,52 0,49 0,36 0,45 22,4 23,4 7,8

La tabla 3.16 de la distribución por número de trabajos, se pueden apreciar

los buenos resultados de NSP en casi todas las agrupaciones de número de
trabajos y los malos resultados de Partial. En general se aprecia como tanto
CPLEX como Partial y RBS quedan lejos del resto para todos los trabajos,
e incluso RBS que para 1000 trabajos llega a tardar más de 97 segundos,
no supera a NSP tras 15 segundos También podemos observar, como RBS y
Partial dan peores resultados para 100 trabajos que para cualquier otra cantidad
de trabajos.

100 0,80 1,19 1,19 0,31 0,35 0,30 0,25
200 0,84 1,14 0,90 0,61 0,49 0,29 0,52
500 0,68 1,10 0,62 0,63 0,58 0,44 0,55
1000 0,71 0,75 0,53 0,52 0,52 0,42 0,49
media 0,76 1,05 0,81 0,52 0,49 0,36 0,45

proceso U(100,200).
En la distribución por número de máquinas mostrada en la tabla 3.17,

vuelve a destacar el mal comportamiento de RBS para pocas máquinas, que
en el caso de 10 máquinas llega a ser entre dos y más de tres veces peor que el
resto de algoritmos. Para 20 máquinas sigue siendo el peor. También destacan
los malos resultados de Partial para 30 o 40 máquinas respecto al resto. Los
mejores resultados para cualquier número de máquinas, los obtuvo NSP.

10 0,32 0,26 0,75 0,28 0,22 0,19 0,19
20 0,68 0,66 1,04 0,60 0,50 0,45 0,52
30 1,20 1,98 0,54 0,44 0,38 0,26 0,30
40 0,96 1,70 0,72 0,63 0,63 0,46 0,57
50 0,63 0,62 1,00 0,63 0,70 0,46 0,67
media 0,76 1,05 0,81 0,52 0,49 0,36 0,45

proceso U(100,200).
El análisis de ANOVA de la figura 3.23, muestra claramente como Partial,

RBS y CPLEX son significativamente peores que todos los algoritmos pro-
puestos. En este caso, el mejor algoritmo es NSP, seguidos de Vir, IGD e IGS,
los cuales no se pueden considerar significativamente distintos entre sí.

En el presente intervalo U (100, 200), CPLEX 11.0 resolvió, de forma

óptima, 28 de las 200 instancias al cabo de un máximo de dos horas con cada
3.6.4. Intervalo U(100,120)

En este caso el intervalo varía entre unos límites que representan una dife-
rencia de un 20 %, además de una dispersión menor entre los valores máximo
y mínimo.
En este intervalo, las tablas 3.18 y 3.19 muestran como los algoritmos
propuestos dan los mejores resultados, siendo los algoritmos de búsqueda
local restringida o de pequeños vecindarios los que mejores resultados ofrecen.
Puntualmente, RBS da valores negativos para 500 × 40 y 1000 × 30, lo
que indica que obtiene mejores resultados que CPLEX tras un máximo de 2
horas con cada instancia, no obstante, sigue obteniendo malos resultados para
100 × 10. Partial resulta ser el de peores resultados, con una media de dos o
más veces peor que el resto.

CPLEX 200 0,15 0,01 0,14 0,17
Partial 200 0,33 0,01 0,31 0,34
RBS 200 0,13 0,01 0,11 0,14
IGS 1000 0,09 0,00 0,09 0,10
IGD 1000 0,10 0,00 0,09 0,11
NSP 1000 0,05 0,00 0,04 0,05
Vir 1000 0,08 0,00 0,07 0,08


100 10 0,06 0,19 0,24 0,10 0,08 0,06 0,06 15,3 0,5 2,4
100 20 0,20 0,28 0,22 0,11 0,12 0,06 0,10 14,2 0,5 1,1
100 30 0,15 0,35 0,18 0,15 0,18 0,04 0,09 15,4 0,5 1,4
100 40 0,03 0,40 0,10 0,15 0,17 0,00 0,04 15,5 0,5 2,3
100 50 0,05 0,94 0,30 0,12 0,12 0,03 0,14 13,9 0,5 0,6
200 10 0,10 0,13 0,19 0,08 0,07 0,04 0,05 15,4 0,5 4,7
200 20 0,24 0,26 0,22 0,15 0,14 0,08 0,13 15,6 0,5 2,9
200 30 0,44 0,68 0,04 0,10 0,11 0,03 0,07 16,1 1,0 1,7
200 40 0,12 0,18 0,06 0,08 0,13 0,06 0,08 16,5 0,9 2,3
200 50 0,05 0,32 0,07 0,06 0,07 0,02 0,08 16,4 1,0 2,3
500 10 0,15 0,29 0,23 0,07 0,06 0,04 0,06 15,8 8,8 7,8
500 20 0,16 0,23 0,18 0,10 0,10 0,07 0,09 17,3 9,6 3,9
500 30 0,39 0,42 0,11 0,17 0,17 0,13 0,15 19,8 10,0 2,5
500 40 0,07 0,86 -0,02 0,06 0,06 0,01 0,05 23,3 11,1 2,2
500 50 0,11 0,10 0,04 0,09 0,10 0,05 0,08 27,4 11,1 1,9
1000 10 0,16 0,28 0,13 0,05 0,04 0,03 0,04 17,4 73,1 9,2
1000 20 0,25 0,26 0,16 0,08 0,07 0,06 0,08 23,5 75,9 8,9
1000 30 0,12 0,14 -0,05 0,07 0,08 0,05 0,07 33,7 75,9 6,6
1000 40 0,16 0,14 0,10 0,07 0,10 0,06 0,06 48,6 78,4 5,6
1000 50 0,07 0,10 0,03 0,03 0,05 0,02 0,03 67,5 83,7 4,9
media 0,15 0,33 0,13 0,09 0,10 0,05 0,08 22,4 22,2 3,8

En la distribución por número de trabajos de la tabla 3.20, se pueden

observar los buenos resultados de NSP en todas las agrupaciones de número de
trabajos y los malos resultados de Partial. Se aprecia como tanto Partial como
RBS quedan lejos del resto para 100 trabajos, e incluso RBS que para 1000
trabajos, llega a tardar más de 83 segundos, tiene resultados 2 veces peor que
NSP tras 15 segundos.

100 0,10 0,43 0,21 0,13 0,13 0,04 0,09
200 0,19 0,32 0,12 0,09 0,10 0,05 0,08
500 0,18 0,38 0,11 0,10 0,10 0,06 0,09
1000 0,15 0,19 0,08 0,06 0,07 0,04 0,05
media 0,15 0,33 0,13 0,09 0,10 0,05 0,08

proceso U(100,120).
La tabla 3.21 en la que se refleja la distribución por número de máquinas,

vuelve a destacar el mal comportamiento de Partial para cualquier número de
máquinas y de RBS para pocas máquinas. CPLEX también es tres veces peor
que NSP en casi todos los casos. Los mejores resultados para cualquier número
de máquinas los obtuvo NSP.

10 0,12 0,22 0,20 0,08 0,06 0,04 0,05
20 0,21 0,25 0,19 0,11 0,11 0,07 0,10
30 0,28 0,40 0,07 0,12 0,13 0,06 0,09
40 0,10 0,40 0,06 0,09 0,12 0,03 0,06
50 0,07 0,37 0,11 0,07 0,09 0,03 0,08
media 0,15 0,33 0,13 0,09 0,10 0,05 0,08

proceso U(100,120).
En este caso, el ANOVA de la figura 3.24 nos muestra que todos los
algoritmos propuestos son significativamente mejores que el resto, destacando
NSP, seguido de Vir que también es significativamente distinto del resto. Es
decir, en este intervalo, el algoritmo de mejores resultados es NSP, y el segundo
es Vir.


3.6.5. Intervalo U(1000,1100)

Finalmente, dentro de los intervalos de una distribución uniforme, se tomó
un intervalo con una dispersión temporal de 100 unidades, pero que representa
una diferencia entre el máximo y el mínimo pequeña, del orden de un 10 %.
En este intervalo, las tablas 3.22 y 3.23 nos muestran cómo los algoritmos
propuestos dan los mejores resultados, siendo el algoritmo NSP el que mejores
resultados ofrece. Puntualmente, todos los algoritmos, excepto CPLEX y Par-
tial, dan valores negativos para 200 × 30 y Vir los da también en 100 × 30, lo
que indica que obtienen mejores resultados que CPLEX tras un máximo de 2
horas con cada instancia. También destacan valores como 100 × 50 para RBS
(0,77), 77 veces peor que el resto (0,01); para Partial, los resultados en 500×40
ó 200 × 30 son peores en un número de veces incluso superior. Partial resulta
ser el de peores resultados, que junto con RBS se queda a unas 10 veces peor
que NSP.

CPLEX 200 0,08 0,01 0,07 0,09
Partial 200 0,23 0,01 0,22 0,24
RBS 200 0,18 0,01 0,17 0,19
IGS 1000 0,04 0,00 0,03 0,04
IGD 1000 0,03 0,00 0,03 0,04
NSP 1000 0,02 0,00 0,02 0,03
Vir 1000 0,03 0,00 0,02 0,03


100 10 0,06 0,04 0,14 0,04 0,03 0,03 0,02 15,3 0,5 6,7
100 20 0,04 0,07 0,18 0,03 0,02 0,03 0,02 14 0,5 5,4
100 30 0,17 0,36 0,23 0,02 0,00 0,01 -0,01 15,4 0,5 5,9
100 40 0,13 0,35 0,33 0,04 0,05 0,03 0,02 15,5 0,5 4,7
100 50 0,01 0,01 0,77 0,01 0,02 0,01 0,01 8 0,5 2,6
200 10 0,04 0,06 0,13 0,05 0,04 0,02 0,03 15,3 0,5 8,2
200 20 0,09 0,08 0,17 0,07 0,05 0,04 0,06 15,6 0,5 7,7
200 30 0,09 0,72 -0,03 -0,07 -0,09 -0,11 -0,09 16 0,9 7,4
200 40 0,10 0,09 0,29 0,05 0,05 0,02 0,05 16,6 1,0 6,1
200 50 0,07 0,11 0,52 0,06 0,05 0,03 0,07 17,3 1,0 6,9
500 10 0,06 0,03 0,09 0,03 0,03 0,02 0,02 15,8 8,2 10,0
500 20 0,10 0,04 0,09 0,05 0,04 0,03 0,04 17,3 9,1 8,9
500 30 0,02 0,94 0,03 0,04 0,03 0,01 0,03 19,9 10,0 8,6
500 40 0,03 1,19 0,03 0,04 0,04 0,02 0,03 23,3 11,0 7,5
500 50 0,08 0,09 0,23 0,07 0,07 0,05 0,07 26,1 12,0 6,9
1000 10 0,08 0,08 0,07 0,02 0,02 0,02 0,02 17,4 69,8 11,4
1000 20 0,10 0,07 0,08 0,04 0,04 0,03 0,04 23,5 71,3 9,9
1000 30 0,10 0,07 0,07 0,07 0,07 0,06 0,06 33,7 74,2 9,7
1000 40 0,08 0,08 0,09 0,05 0,05 0,04 0,05 48,7 81,5 10,3
1000 50 0,06 0,06 0,13 0,05 0,06 0,04 0,05 67,8 95,3 7,8
media 0,08 0,23 0,18 0,04 0,03 0,02 0,03 22,1 22,4 7,6

CPLEX, Partial, RBS, IGS, IGD, NSP y Vir para el inter-
valo de distribución de tiempos de proceso U(1000,1100).

apreciar los buenos resultados de NSP en casi todas las agrupaciones de
número de trabajos, al igual que Vir para 100 o 1000 trabajos, y los malos
resultados de Partial y RBS. Se aprecia como tanto Partial como RBS quedan
lejos del resto para 100 y 200 trabajos, y Partial para 500. Incluso RBS,
que para 1000 trabajos, llega a tardar más de 95 segundos, no supera a los
algoritmos propuestos tras 15 segundos.

100 0,08 0,16 0,33 0,03 0,02 0,02 0,01
200 0,08 0,21 0,22 0,03 0,02 0,00 0,02
500 0,06 0,46 0,09 0,05 0,04 0,03 0,04
1000 0,08 0,07 0,09 0,05 0,05 0,04 0,04
media 0,08 0,23 0,18 0,04 0,03 0,02 0,03

proceso U(1000,1100).
En la distribución por número de máquinas de la tabla 3.25, cabe destacar

el mal comportamiento de Partial para 30 y 40 máquinas y de RBS para pocas
máquinas. Los mejores resultados para cualquier número de máquinas, los
obtuvo NSP, llegando a alcanzar valores negativos para 30 máquinas, lo que
significa que da mejores resultados en 15 segundos que CLPEX 11.0 tras 2
horas.

10 0,06 0,05 0,11 0,03 0,03 0,02 0,02
20 0,08 0,06 0,13 0,05 0,04 0,03 0,04
30 0,10 0,52 0,08 0,01 0,00 -0,01 0,00
40 0,08 0,42 0,19 0,04 0,05 0,03 0,03
50 0,06 0,07 0,41 0,05 0,05 0,03 0,05
media 0,08 0,23 0,18 0,04 0,03 0,02 0,03

proceso U(1000,1100).
Queda patente en la figura 3.25 del análisis del ANOVA que los resultados
para Partial y RBS son claramente peores que el resto, y que CPLEX, aún
mejorando a los anteriores, sigue siendo significativamente peor que todos los
algoritmos propuestos. En este caso, los algoritmos propuestos quedan muy
próximos unos de otros y prácticamente no hay diferencias significativas entre
ellos. Para este intervalo, resultan ser los algoritmos con mejores resultados,
NSP, Vir e IGD.


instancia. Entre las instancias no resueltas, el Gap máximo alcanzo el 7,14 %
3.6.6. Intervalo de trabajos correlacionados

Recordemos que este intervalo es uno de los empleados habitualmente en
la literatura, el cual no ha sufrido variación desde que se usara por primera vez.
Se basa en una distribución U (1, 100) para determinar el tiempo base de cada
trabajo, y una distribución de U (1, 20) para determinar como varía ese trabajo
según se procese en cada una de las distintas máquinas.
En este intervalo, las tablas 3.26 y 3.27 muestran como RBS da los mejores
resultados, con el algoritmo NSP dando resultados parejos. En este intervalo
es donde se puede observar por primera y única vez un comportamiento
equivalente de RBS, con respecto al resto de algoritmos, en cuanto a valores

medios similares, sin que se observe ningún pico para las instancias más
pequeñas. Puntualmente se pueden destacar, los valores negativos obtenidos
por RBS para algunos tipos de instancias, así como NSP en dos de esos
mismos casos, lo que indica que obtienen mejores resultados que CPLEX tras
un máximo de 2 horas con cada instancia. Partial, junto con CPLEX destacan
por sus peores medias respecto a los mejores algoritmos.

CPLEX 200 2,20 0,06 2,07 2,32
Partial 200 2,43 0,06 2,31 2,56
RBS 200 0,35 0,06 0,22 0,47
IGS 1000 1,08 0,03 1,03 1,14
IGD 1000 1,63 0,03 1,57 1,68
NSP 1000 0,54 0,03 0,49 0,60
Vir 1000 0,71 0,03 0,65 0,76

del 95 % para trabajos correlacionados.

100 10 0,50 0,53 0,79 0,75 0,80 0,48 0,49 14,4 0,5 6,1
100 20 1,18 2,19 1,26 1,30 1,57 0,61 1,00 15,3 0,5 5,6
100 30 2,32 4,73 0,98 1,82 2,75 0,50 1,04 15,4 0,5 6,7
100 40 2,42 7,21 1,22 4,03 7,30 1,93 2,03 15,5 0,5 8,0
100 50 3,18 7,83 2,54 5,06 9,41 4,02 3,32 15,7 0,5 9,7
200 10 0,29 0,26 0,35 0,49 0,53 0,36 0,42 15,3 0,5 5,4
200 20 1,64 1,18 0,56 0,63 0,70 0,38 0,50 15,5 0,5 5,5
200 30 2,82 2,50 0,57 1,26 1,47 0,61 0,96 16 0,9 5,6
200 40 3,12 3,49 -0,24 1,34 1,75 0,11 0,79 16,5 1,0 6,8
200 50 4,97 5,09 -0,65 2,28 3,38 0,54 1,42 17,3 1,0 8,5
500 10 0,25 0,16 0,13 0,28 0,28 0,28 0,28 15,7 9,0 4,6
500 20 0,69 0,77 0,13 0,37 0,41 0,33 0,36 17,2 9,5 4,4
500 30 2,21 1,16 0,07 0,44 0,45 0,27 0,38 19,6 9,9 6,3
500 40 3,95 1,75 -0,06 0,35 0,38 0,04 0,25 22,8 10,2 6,4
500 50 4,83 3,34 -0,42 0,41 0,52 -0,10 0,18 26,7 10,8 6,9
1000 10 0,15 0,09 0,09 0,11 0,12 0,13 0,13 17,3 73,6 6,4
1000 20 0,70 0,47 0,05 0,27 0,28 0,25 0,27 23,1 72,4 3,1
1000 30 1,56 1,25 -0,02 0,21 0,21 0,16 0,18 32,7 76,2 4,6
1000 40 2,59 1,77 -0,11 0,12 0,11 0,03 0,08 46,4 74,8 6,3
1000 50 4,57 2,87 -0,28 0,14 0,14 -0,02 0,08 64,4 78,6 4,9
media 2,20 2,43 0,35 1,08 1,63 0,54 0,71 22,1 21,6 6,1

tervalo de distribución de tiempos de proceso de trabajos
correlacionados.

apreciar los buenos resultados de RBS en todas las agrupaciones de número
de trabajos, y los malos resultados de Partial para 100 trabajos y CPLEX para
el resto. También podemos ver como CPLEX se queda muy por encima de
los algoritmos con mejores resultados para los números de trabajos superiores.
Así mismo se puede apreciar como RBS, para 500 y 1000 trabajos, da valores
negativos, lo que implica que da mejores resultados que CPLEX tras 2 horas
como máximo con cada instancia.

100 1,92 4,50 1,36 2,59 4,37 1,51 1,58
200 2,57 2,51 0,12 1,20 1,57 0,40 0,82
500 2,39 1,44 -0,03 0,37 0,41 0,16 0,29
1000 1,91 1,29 -0,05 0,17 0,17 0,11 0,15
media 2,20 2,43 0,35 1,08 1,63 0,54 0,71

proceso de trabajos correlacionados.

el mal comportamiento de Partial y CPLEX para 30, 40 y 50 máquinas. Los
mejores resultados los han obtenido NSP para 20 y 30 máquinas y RBS para
40 y 50; para 10 máquinas lo obtiene Partial a pesar de ser el peor de media.

10 0,30 0,26 0,34 0,41 0,43 0,31 0,33
20 1,05 1,15 0,50 0,64 0,74 0,39 0,53
30 2,23 2,41 0,40 0,94 1,22 0,38 0,64
40 3,02 3,56 0,20 1,46 2,39 0,53 0,79
50 4,39 4,78 0,30 1,97 3,36 1,11 1,25
media 2,20 2,43 0,35 1,08 1,63 0,54 0,71

proceso de trabajos correlacionados.
Con el análisis de ANOVA de la figura 3.26, podemos ver que RBS no es

significativamente distinto de NSP, quedando cerca de este último Vir. Por otra
parte, quedan alejados del resto CPLEX y Partial, y algo menos IGS e IGD.
Por tanto para este intervalo los algoritmos con mejores resultados son RBS y
NSP, seguidos de Vir.
Means and 95,0 Percent Tukey HSD Intervals

3
2,5
2
RPD
1,5
1
0,5
0
RBS
NSP
IGS
Partial
Vir
IGD
Cplex

distribución de tiempos de proceso de trabajos correlacio-
nados.
En el presente intervalo de trabajos correlacionados, CPLEX 11.0 resolvió,

de forma óptima, 6 de las 200 instancias al cabo de un máximo de dos horas
con cada instancia. Entre las instancias no resueltas, el Gap máximo alcanzó
el 8,66 % y un valor medio de 1,49 %.
3.6.7. Intervalo de máquinas correlacionadas

Este último intervalo, se basa en una distribución U (1, 100) para deter-
minar el tiempo base de cada máquina, y una distribución U (1, 20), para
determinar la variación de este tiempo base según sea cada uno de los trabajos.
En este intervalo, las tablas 3.30 y 3.31 muestran como los algoritmos
propuestos son los que proporcionan los mejores resultados, en especial los de
búsqueda local restringida como Vir y NSP. Puntualmente se puede destacar
los elevados valores de CPLEX y Partial para las instancias de 1000 × 50. RBS
destaca por su peor media respecto a los mejores algoritmos, que llega a ser 4
veces superior.

CPLEX 200 1,13 0,04 1,05 1,22
Partial 200 0,94 0,04 0,86 1,03
RBS 200 2,36 0,04 2,28 2,45
IGS 1000 0,66 0,02 0,62 0,70
IGD 1000 0,67 0,02 0,64 0,71
NSP 1000 0,59 0,02 0,55 0,63
Vir 1000 0,58 0,02 0,54 0,62

del 95 % para máquinas correlacionadas.

100 10 0,00 0,10 1,65 0,28 0,27 0,27 0,14 11,3 0,5 3,9
100 20 0,08 0,07 3,44 0,51 0,50 0,37 0,39 5,8 0,5 1,8
100 30 0,00 0,08 3,77 0,44 0,57 0,37 0,30 6,2 0,5 1,9
100 40 0,11 0,00 4,18 0,22 0,31 0,23 0,15 4,1 0,5 1,2
100 50 0,29 0,00 5,37 0,47 0,50 0,53 0,35 4,7 0,5 1,7
200 10 0,45 0,37 1,47 0,56 0,53 0,42 0,47 14,1 0,5 5,7
200 20 0,91 0,53 1,16 0,42 0,41 0,28 0,32 14,6 0,6 3,7
200 30 1,28 1,15 2,27 0,76 0,72 0,53 0,58 16,1 1,0 3,4
200 40 1,58 0,96 4,37 0,67 0,63 0,50 0,52 16,5 1,0 4,0
200 50 1,91 0,69 4,29 0,82 0,77 0,56 0,65 17,4 1,0 3,6
500 10 0,28 0,15 0,73 0,60 0,58 0,55 0,54 15,8 9,5 9,4
500 20 0,86 0,56 1,65 0,72 0,70 0,66 0,67 17,5 11,2 7,0
500 30 1,09 1,17 0,82 0,79 0,80 0,69 0,71 20,2 12,3 5,5
500 40 1,67 1,86 2,53 0,76 0,78 0,68 0,69 23,9 14,0 5,4
500 50 2,72 2,87 2,99 1,00 1,04 0,97 0,94 28,3 14,7 4,0
1000 10 0,27 0,20 0,34 0,64 0,62 0,60 0,59 17,7 73,8 10,1
1000 20 0,48 0,39 0,51 0,87 0,89 0,84 0,85 23,8 84,9 9,5
1000 30 0,96 1,19 1,20 1,02 1,05 1,03 1,02 34,6 92,1 7,1
1000 40 2,52 2,28 1,78 0,75 0,80 0,74 0,74 49,5 100,7 6,8
1000 50 5,19 4,23 2,75 0,93 0,99 0,96 0,95 69,7 112,9 6,8
media 1,13 0,94 2,36 0,66 0,67 0,59 0,58 20,6 26,6 5,1

tervalo de distribución de tiempos de proceso de máquinas
correlacionadas.

apreciar los buenos resultados de Vir y NSP en todas las agrupaciones de
número de trabajos, excepto para 100, que lo es Partial. Los peores resultados
los obtiene RBS para todos los números de trabajos excepto para 1000, donde
lo es CPLEX, aunque este último con 15 segundos exactos de tiempo de
ejecución frente a los más de 69 segundos que alcanza Partial o más de 112
segundos de RBS.

100 0,10 0,05 3,68 0,38 0,43 0,35 0,27
200 1,22 0,74 2,71 0,65 0,62 0,46 0,51
500 1,32 1,32 1,75 0,77 0,78 0,71 0,71
1000 1,88 1,66 1,31 0,84 0,87 0,84 0,83
media 1,13 0,94 2,36 0,66 0,67 0,59 0,58

proceso de máquinas correlacionadas.

el mal comportamiento de RBS para cualquier número de máquinas. Los
mejores resultados los han obtenido NSP y Vir para 30 máquinas y Vir para 40
y 50; para 10 y 20 máquinas lo obtiene Partial. Por otra parte, CPLEX se aleja
de los mejores resultados más del doble para 40 y 50 máquinas.

10 0,25 0,21 1,05 0,52 0,50 0,46 0,43
20 0,58 0,39 1,69 0,63 0,63 0,54 0,56
30 0,83 0,90 2,01 0,76 0,79 0,65 0,65
40 1,47 1,27 3,21 0,60 0,63 0,54 0,52
50 2,53 1,95 3,85 0,81 0,82 0,75 0,72
media 1,13 0,94 2,36 0,66 0,67 0,59 0,58

proceso de máquinas correlacionadas.
El análisis de ANOVA nos muestra como los algoritmos propuestos son

los mejor clasificados y que no son estadísticamente diferentes entre si, y sí
lo son con respecto a los demás. También muestra como CPLEX y Partial
no son estadísticamente distintos entre ellos, y que RBS queda realmente mal
respecto a todos los demás. Curiosamente, en el anterior intervalo, trabajos
correlacionados, era uno de los que mejor quedaba, lo que demuestra una
gran inestabilidad, en cuanto a sus resultados, dependiendo de las posibles
correlaciones de los tiempos de proceso pij . Tras este estudio, los algoritmos
con mejores resultados son Vir, NSP, IGS e IGD.

distribución de tiempos de proceso de máquinas correla-
cionadas.
En el presente intervalo máquinas correlacionadas, CPLEX 11.0 resolvió,

de forma óptima, 95 de las 200 instancias al cabo de un máximo de dos horas
con cada instancia. Entre las instancias no resueltas, el Gap máximo alcanzó
el 1,64 % y un valor medio de 0,47 %.
3.6.8. Estudio conjunto de todos los intervalos

Pasamos a hacer una comparación de todos los intervalos objeto de este
estudio, para poder ver cómo quedan en su conjunto. Empezamos por ver como
quedan las medias de todos los promedios de los diferentes intervalos.
Intervalo CPLEX Partial RBS IGS IGD NSP Vir

U(1,100) 1,88 2,88 2,03 2,46 2,85 2,82 2,30
U(10,100) 1,64 1,31 1,87 1,70 2,27 1,56 1,45
U(100,200) 0,76 1,05 0,81 0,52 0,49 0,36 0,45
U(100,120) 0,15 0,33 0,13 0,09 0,10 0,05 0,08
U(1000,1100) 0,08 0,23 0,18 0,04 0,03 0,02 0,03
Job Corre 2,20 2,43 0,35 1,08 1,63 0,54 0,71
Maq Corre 1,13 0,94 2,36 0,66 0,67 0,59 0,58
Media 1,12 1,31 1,11 0,94 1,15 0,85 0,80
Tabla 3.34 – Comparación entre los algoritmos CPLEX,

Partial, RBS, IGS, IGD, NSP y Vir para todos los intervalos
de distribución de tiempos de proceso estudiados.
El la tabla 3.34 se puede apreciar que todos los algoritmos propuestos

excepto IGD dan mejores resultados que Partial, CPLEX o RBS, en promedio,
para el total de 200 × 7 instancias.
Tratemos de ver como quedan si calculamos el tanto por cien de diferencia
entre el mejor algoritmo de cada intervalo y el resto de los algoritmos en ese
intervalo. Esto nos dará una idea de como de lejos quedan los resultados que
obtiene un algoritmo comparado con los resultados que se pueden hallar con
el mejor algoritmo para ese intervalo.
Intervalo CPLEX Partial RBS IGS IGD NSP Vir

U(1,100) 0,00 53,10 7,84 30,66 51,18 49,97 22,05
U(10,100) 24,51 0,00 42,70 29,66 72,87 18,68 10,31
U(100,200) 109,89 189,41 124,11 42,86 34,22 0,00 24,98
U(100,120) 231,86 605,43 171,76 102,40 117,84 0,00 66,16
U(1000,1100) 238,28 914,20 719,73 68,40 52,52 0,00 31,48
Job Corre 530,77 598,32 0,00 211,20 367,42 56,36 103,13
Maq Corre 95,87 63,14 308,64 14,48 16,51 1,88 0,00
Media 175,88 346,23 196,40 71,38 101,79 18,13 36,87
IGS:IG-Standard; IGD:IG-Dirigido; NSP:Búsqueda local restringida-No al mismo sitio; Vir:Búsqueda
local restringida-Virtual

Partial, RBS, IGS, IGD, NSP y Vir en tanto por cien de
desviación respecto al mejor algoritmo.
Aquí podemos ver como Partial da las mayores diferencias, quedando de

media a más de un 346 % respecto a los mejores algoritmos de cada intervalo;
únicamente da los mejores resultados en el intervalo 10 a 100. En cualquier
caso, Vir da un desviación en este intervalo de 10,31, lo cual no es mucho,
especialmente si recordamos que el tiempo de CPU de Vir siempre es de 15
segundos, cuando Partial llega a usar hasta 65 segundos para las instancias
mayores.
Los algoritmos de búsqueda local restringida o de pequeños vecindarios,

son los que menores diferencias dan, y si además observamos su comporta-
miento para cada uno de los intervalos, podemos ver que no hay intervalos
en los que tengan grandes diferencias con los mejores algoritmos, como sí les
ocurre, en algún intervalo, al resto de algoritmos.
Finalmente, pasemos a ver el ANOVA de la figura 3.28 de todos los

algoritmos en su conjunto.

1,55
1,35
RPD
1,15
0,95
0,75
RBS
NSP
IGS
Partial
Vir
IGD
Cplex

Partial, RBS, IGS, IGD, NSP y Vir para todos los intervalos
de distribución de tiempos de proceso estudiados.
Se puede comprobar que los algoritmos con mejores resultados en su

conjunto son Vir y NSP, los cuales no son significativamente distintos entre sí.
Después queda el IGS que siendo peor que los anteriores, es significativamente
mejor que el resto. De estos últimos, CPLEX, RBS e IGD no son estadís-
ticamente diferentes; y Partial es el algoritmo que proporciona los peores
resultados.
No obstante, y en aras de que no se nos tache de buscar intervalos extra-

ños para justificar nuestros buenos resultados, aunque creemos que ya hemos
justificado suficientemente su uso, haremos también la comprobación de todos
los algoritmos con solo los intervalos más usados en la literatura, U (1, 100),
U (10, 100), trabajos correlacionados y máquinas correlacionadas.
Procedemos, pues, a realizar un estudio parcial, en el que solo incluiremos

los intervalos más estudiados en la literatura anterior.

Partial, RBS, IGS, IGD, NSP y Vir para los intervalos de
distribución de tiempos de proceso más estudiados en la
literatura.
En esto caso, podemos ver que también Vir y NSP son los algoritmos con
mejores resultados, y están en el limite de no ser estadísticamente distintos
entre ellos, aunque sí son significativamente distintos del resto, excepto el
IGS, que es comparable al NSP. RBS es comparable con IGS, pero ya no con
NSP. El resto de algoritmos no son estadísticamente distintos del RBS, pero
dan peores resultados de media. Por tanto, después de todos estos análisis,
queda claro que los mejores algoritmos son aquellos que se derivan de las
búsquedas locales restringidas o de pequeños vecindarios, es decir Vir y NSP.
Por otra parte, Partial queda claramente superado por el resto de algoritmos.
CPLEX y RBS son en cierta medida similares; en ocasiones dan muy buenos
resultados en algunos intervalos puntuales, y en otros se quedan muy lejos
del mejor algoritmo; además ya vimos que el factor tiempo aumenta de forma
exponencial con el número de trabajos a resolver por parte de RBS. Así mismo,
en general RBS da los peores resultados cuando el número de máquinas o de

trabajos es pequeño, con lo que sería otra cosa a tener en cuenta a la hora de
emplear este algoritmo.
De los algoritmos propuestos, IGD se puede considerar un intento fallido de
resolución, ya que, aunque da buenos resultados, y son comparables con el
estado del arte, es el peor de los algoritmos propuestos, ya que es ampliamente
superado por los otros tres.
Finalmente, IGS queda en general algo mejor que el estado del arte pero es
superado claramente por Vir y NSP.
Entre Vir y NSP no queda claro cuál de los dos supera al otro; NSP queda peor
en el intervalo U (1, 100) (y significativamente distinto del mejor algoritmo),
y Vir es significativamente distinto en dos intervalos en los cuales NSP es el
algoritmo con mejores resultados, aunque es el segundo mejor algoritmo en
ambas ocasiones. Además, no llegan a ser significativamente distintos cuando
se evalúan para todo el conjunto de intervalos, ya sean los 7 intervalos objeto
de este estudio, o los 4 intervalos más usados en la literatura.
Los algoritmos propuestos han demostrado ser los que proporcionan los
mejores resultados, además, son algoritmos muy sencillos, con pocos paráme-
tros, fáciles de programar y los resultados son fáciles de replicar, en contra-
posición con RBS y Partial que tienen una mayor complicación. Así mismo,
por ser tan sencillos, son fáciles de extender a otros problemas, con lo que
nos servirán para su uso en nuestro objetivo de no usar todas las máquinas y/o
trabajos en el capítulo 6.
3.7. Otras variantes probadas

Hasta ahora hemos relatado como han quedado los algoritmos definitivos,
después de numerosas pruebas e intentos de mejora. Algunas de las variantes
intentadas más significativas ya se han adelantado, en aras de una mejor com-
3.7. Otras variantes probadas 121
prensión de las decisiones tomadas. No obstante, vamos a proceder a comentar

las diversas variantes de los algoritmos que se han intentado y rechazado, bien
por dar unos peores resultados, o por dar resultados similares pero aumentar el
grado de complejidad de los algoritmos propuestos.
En general, solo incluiremos aquellos intentos de variantes que, tras unas

pruebas preliminares aceptables, se les hicieron pruebas más en profundidad.
Aquellos intentos que muy claramente se esperaba que no funcionasen y,
efectivamente, no lo hicieron, no se incluyen.
Para comparar las distintas variantes, reflejaremos en tablas la media de la

diferencia, en tanto por cien, del resultado obtenido por las distintas variantes
del algoritmo frente al resultado por CPLEX 11.0 tras 2 horas con cada
instancia. Para esta comparativa se usó un subgrupo de las 1.400 instancias
propuestas, consistente en seleccionar sólo una instancia de las 10 instancias
propuestas para cada combinación de n y m y los siete intervalos de tiempos
de proceso considerados, es decir, un total de 140 instancias. Así mismo, el
nombre de las distintas variantes lo destacaremos entre paréntesis y en negrita
(variantes) para una mayor claridad de exposición.
3.7.1. Variantes de la solución inicial

Dentro de las posibles soluciones iniciales, ya vimos que habíamos adop-
tado la de asignar cada trabajo a la máquina más rápida, independientemente
de la cantidad de trabajos que ésta máquina tuviera ya asignados (menor).
Si se tienen en cuenta todos los trabajos que ya tiene acumulados previa-

mente cada máquina, se obtiene una solución inicial distinta (acumulado). Es
decir, cada vez que se va a asignar un trabajo, se comprueba en qué máquina
conseguirá un tiempo de finalización menor. De hecho, se obtiene una solución
inicial diferente si el orden en el que se van considerando los trabajos es
diferente cada vez. Poe ejemplo si el trabajo J1 se toma en primer lugar, se

asignará a la máquina i que lo termine antes, pero si se toma en último lugar,
es posible que esa máquina tenga ya un tiempo de finalización que, de asignarle
el trabajo J1 , no sea el menor posible y se asigne a otra máquina.
Los resultados de aplicar esta solución inicial resultaron ser algo más pobres
que la adoptada; ahora bien, en el caso de instancias preparadas con carac-
terísticas especiales (por ejemplo, todos los tiempos de proceso de la primera
máquina sean igual a uno), puede resultar interesante usar esta solución inicial,
aunque esta situación no es la habitual y puede considerarse aberrante, como
ya se comento en la sección 3.1.1.
Otra opción, más sencilla, pero que dio peores resultados, fue el no dar ninguna
solución inicial (ninguna), ya que la primera búsqueda local que se emplea, la
búsqueda local de intercambio, no precisa de una solución inicial.
Veamos la tabla de resultados de las pruebas de estas mejoras:
Menor Acumulado Ninguna

3,26 3,31 3,32
Menor: Toma el menor pij de cada trabajo; Acumulado: Toma el pij que hace menor el tiempo de
finalización; Ninguna: No toma ninguna solución inicial.
Tabla 3.36 – Comparación de otras variantes probadas para

la solución inicial.
Aquí se puede apreciar que hay poca diferencia entre cada tipo de solución
inicial, siendo ligeramente mejor la aportada por tomar el menor pij de cada
trabajo.
Otros intentos de soluciones iniciales fueron claramente peores y no se

comentan, como por ejemplo dar una solución inicial generada totalmente al
azar antes de las búsquedas locales.
3.7.2. Variantes de la búsqueda local por inserción

Para la búsqueda local por inserción, en un primer momento, se continuaba
buscando el óptimo local mientras mejorara el Cmáx (por mejora Cmáx ), esto
es, se seguía en tanto en cuanto, tras finalizar cada iteración de la búsqueda
local de inserción, se hubiera mejorado algo el Cmáx . En la versión definitiva,
se continúa buscando el óptimo local mientras que se produzca algún cambio,
es decir, mientras que se haya habido alguna inserción, independientemente de
que se mejore el Cmáx (por cambios).
Otra variante fue realizar la inserción siguiendo la estrategia first (inserfirst),
es decir, realizar la primera inserción que se pueda producir, en lugar de la
best, la cual realiza la inserción que mejor resultado pueda aportar después de
examinar todas las posibles inserciones.
La tabla 3.37 nos muestra como la variante de por mejora Cmáx resulta
algo peor que la definitiva versión por cambios, donde se emplea la estrategia
best, mientras que emplear para este caso la estrategia first, produce resultados
muy pobres. La opción first da unos resultados tan lejanos a la estrategia best
por que, en el primer caso, no se busca la mejor solución. En el caso de los
algoritmos presentados, se necesita una parte del mismo que busque la mejor
solución posible, no una variación de la misma para luego pasar a un refinado.
Esta parte es la búsqueda local de inserción, por lo que se hace imperativo el
que la búsqueda inserción encuentra la mejor solución posible dentro de su
espacio local, tal y como demuestran los resultados.
Por cambios Por mejora Cmáx Inserfirst

2,46 2,80 6,62
Por cambio: Insertar mientras se produzca alguna inserción; Por mejora Cmáx : Insertar mientras se
mejore el Cmáx ; Inserfirst: Inserción al primer valor;

la búsqueda local por inserción.
3.7.3. Variantes de la búsqueda local por intercambio

El la búsqueda local por intercambio, ya comentamos en la sección 3.1.3
que la estrategia first (Ifirst) daba un mejor resultado que la best (Ibest). Ahora
analizaremos estos resultados. También se analizará la opción de realizar el
intercambio, no a la mejor posible, si no escogiendo al azar entre la mejor
posición posible y la segunda mejor posición posible (entre 2). Igualmente se
trató de buscar la estrategia first pero variando el orden en que se buscaba el
intercambio (variando orden); es decir, en lugar de intentar intercambiar del
primero de los trabajos al último (por ejemplo, intentar intercambiar J1 , luego
J2 , y así sucesivamente), se daba un orden al azar de los trabajos, y a partir
de esa ordenación se hacia la búsqueda de intercambio según ese orden (por
ejemplo, se intenta intercambiar primero J5 , luego J3 , y así sucesivamente en
un orden de trabajos al azar.
Por último, se trató de probar la variante de hacer un intercambio entre tres
trabajos, tipo de “máquina 1 hace el trabajo de máquina 2, máquina 2 el
de máquina 3 y máquina 3 el de máquina 1”. Este tipo de vecindario es
mucho más extenso. Así, si los tiempos de proceso que se van a realizar son
respectivamente pi1,j1 , pi2,j2 , y pi3,j3 , quedarían después de un intercambio a
tres como pi2,j1 , pi3,j2 , y pi1,j3 . Este intercambio entre tres se probo tanto para
la estrategia best (3 B. best), como para la estrategia first (3 B.first). También
se probó, con el objeto de ahorrar tiempo de CPU, que este intercambio a tres
se realizara solo con los trabajos que estaban asignados a la máquina con el
Cmáx y cada 100 iteraciones que no se mejorara, es decir, después de realizar
el intento de intercambio en 100 ocasiones sin variaciones, se intentaba un
cambio a tres para la máquina que ostentara el Cmáx .
Ifirst Ibest Entre 2 Variando orden 3 B. best 3 B. first 3 B. cada 100

3,26 3,61 3,62 3,37 5,30 3,33 3,28
Ifirst: Al primer valor que cumple las condiciones; Ibest: Al mejor valor que cumple las condiciones;
Entre 2: Al azar entre los 2 mejores valores que cumplen las condiciones; Variando orden: Orden al
azar de los trabajos en la estrategia first; 3 B. best: A 3 bandas en la mejor posición; 3 B. first: A 3
bandas en la primera posición; 3 B. cada 100: A 3 bandas cada 100 iteraciones que no se mejore;

la búsqueda por intercambio: estrategias first, best, a tres
bandas y combinaciones de ellas.
En primer lugar, podemos ver como la estrategia best (Ibest) no mejora

los resultados de la first (Ifirst), a pesar de consumir más tiempo de CPU,
y no lo consigue mejorar ni aunque se elija entre los dos mejores (Entre 2).
La estrategia first no mejora si tratamos de variar el orden en que se toman
los trabajos para intercambiar (Variando orden). La búsqueda de vecindarios
mayores (intercambio a tres) en ninguna de sus variantes tampoco consiguió
mejorar la sencilla estrategia first (3 B. best, 3 B. first ó 3 B. cada 100).
Por otra parte, se trató, asimismo, de admitir peores soluciones después de

estas fases de inserción e intercambio. La tabla 3.39 muestra que esto resultó
ser contraproducente, quedando claro que, si bien era mejor admitir soluciones
con un Cmáx igual a la mejor solución hallada hasta ese momento, admitir
soluciones que elevaran, aunque fuera ligeramente, el valor del Cmáx , producía
peores resultados. El ejemplo mostrado en la tabla 3.39 recoge los resultados
obtenidos por el mejor algoritmo propuesto, Vir, en su opción de no admitir
peores soluciones destruyendo 5 trabajos de la máquina con Cmáx y 5 del resto
de las máquinas al azar (5+5), los comparamos con admitir una solución peor,
en un tanto por cien, que la mejor hallada hasta ese momento, para los valores
de un 1 % (1 % peores), un 2 %, un 3 % y un 4 %. Se puede apreciar como el
admitir peores soluciones no produce una mejora en las soluciones obtenidas.
5+5 1 % peores 2 % peores 3 % peores 4 % peores

2,30 2,42 2,43 2,52 2,54
5+5: Destrucción de 5 trabajos del Cmax y 5 trabajos del resto; 1 % peores: Admitimos un 1 % de
peores soluciones; e igualmente para 2 %,3 %,4 %.

la búsqueda por intercambio: admisión de peores solucio-
nes.
3.7.4. Variantes de la selección de trabajos para la modificación

Dentro de este subapartado, vamos a estudiar las distintas variantes, tanto
de la destrucción de parte de la solución como la variación por búsqueda
restringida.
Ya comentamos que la mejor opción se nos presenta cuando modificamos

un número fijo de trabajos, en lugar de un tanto por cien de los mismos. Esto
viene dado por que el número de variaciones producidas en la modificación,
influye mucho en la capacidad, por tiempo, de generar buenas soluciones por
parte del algoritmo. Así, un número fijo de trabajos a modificar nos deja
un tiempo relativamente bueno de interactuar con la solución modificada y
variarla, mientras que un tanto por cien, en ocasiones varía muy poco la
solución (caso de 100 trabajos) o, con ese mismo tanto por cien, la hace variar
demasiado (caso de 1000 trabajos). En cambio, un número fijo de trabajos es
el equivalente a un tanto por cien variable según el número de trabajos; por
ejemplo, un número fijo de 20 trabajos, supone un 20 % de trabajos en las
instancias de 100 trabajos, y un 2 % en las instancias con 1000 trabajos.
Veamos, como ejemplo, como quedaría una modificación de 5 trabajos del

Cmáx y 5 trabajos al azar (5+5), respecto a modificar un 3 % de trabajos del
Cmáx y un 3 % de trabajos al azar (3 %+3 %).
5+5 3 %+3 %
2,30 2,44
5+5: Destrucción de 5 trabajos del Cmax y 5 trabajos del resto; 3 %+3 %: Destrucción de 3 % trabajos
del Cmax y 3 % trabajos del resto.

la selección de trabajos a destruir: número fijo vs tanto por
cien.
Se puede apreciar en la tabla 3.40 que la modificación de un número de

trabajos fijos, es mejor opción que una modificación similar pero en tantos por
cien.
También se intentó un aumento progresivo de la destrucción si cada tras
cierto número de iteraciones no mejoraba la mejor solución; esto es, que si
después de k iteraciones, no se ha mejorado el Cmáx , se procedía a aumentar
en número de trabajos a modificar. Como se puede apreciar en la tabla 3.41
tanto si se aumentaba el número de trabajos a modificar de la máquina con el
Cmáx (MCmáx ), como si se aumentaba el número de trabajos modificados al
azar (al azar), no se consiguió dar mejores resultados. Tampoco lo hizo una
combinación de ambas (combinados).
Referencia MCmáx Al azar Combinados

2,80 3,43 3,30 3,34
Referencia: Valor sin aplicar las variaciones; MCmáx : Aumento destrucción de los trabajos de la má-
quina con Cmáx ; Al azar: Aumento destrucción de los trabajos del resto de las máquinas; Combinados:
Combinación del aumento de ambas destrucciones;

la selección de trabajos a destruir: aumento progresivo de
la destrucción si no se mejora el Cmáx .
Se puede apreciar que la diferencia de las distintas pruebas con la refe-

rencia, es decir, con el valor obtenido sin aplicar ninguna modificación, no ha

producido mejores resultados.
3.7.5. Variantes de la reconstrucción/búsqueda

En el apartado de reconstrucción (en los IG) o de búsqueda de nuevas
posiciones (en los RLS) para los trabajos designados para su modificación, se
intento como opción, el asignar el trabajo a la máquina que menor valor de pij
tuviera para ese trabajo (menor valor), sin tener en cuenta los trabajos que ya
tenia asignados. Esta variante se evalúa frente a la opción que definitivamente
se implemento, de dejarlo en la que mejor quedase (referencia); esto es,
aquella que hacia menor la suma del Ci más su pij correspondiente. También
se probó, para los algoritmos de IG, el buscar la reconstrucción en el sitio que
mejor quedase, exceptuando donde ya estaba anteriormente (IG-NSP).
Los resultados de la tabla 3.42 muestran como no supone ninguna mejora
el método (menor valor). Tampoco el no dejar que el IG reconstruya a la
misma posición que ya estaba, ya que los IG hacen una destrucción previa de
todos los trabajos seleccionados a destruir, lo que impedir la reconstrucción
a la misma posición donde estaba previamente, crea un vedado importante y
poco justificable a la hora de reconstruir.
Referencia Menor valor IG-NSP

2,80 3,53 3,26
Referencia: Valor sin aplicar las variaciones; Menor valor: menor valor de pij para cada trabajo; IG-
NSP: Reconstrucción del IG al mejor sitio exceptuando el mismo sitio donde estaba;
Tabla 3.42 – Comparación de otras mejoras probadas para

la reconstrucción y búsqueda.
3.7.6. Variantes del ensamblado del algoritmo

Una de las mejoras clásicas es la introducción de una reinicialización (Res-
tart) después de que el algoritmo está un número determinado de iteraciones
sin encontrar una mejor solución (reinicio). Esto provocaba mejores resultados
al principio, pero una vez afinado el algoritmo a su versión definitiva, se pudo
comprobar que era innecesario, ya que no variaba sustancialmente la solución
el hecho de hacer o no la reinicialización. Nótese, que sin que se observe una
mejora clara, preferimos eliminar todos estos aspectos, dado que el resultado
es un algoritmo más claro, sencillo y eficiente. También se intentó el suprimir
la fase de intercambio para observar si funcionaba mejor quitándole una de las
partes que más tiempo consume del algoritmo (sin inter.), y por tanto dejando
a las demás un número mayor de iteraciones. Incluso se probó el intercambio
de la posición en que se realizan las búsquedas locales previas, es decir, realizar
primero la búsqueda por intercambio y después la búsqueda por inserción
(orden cambiado). Otra posible opción fue la de eliminar totalmente la fase de
modificaciones (sin modif.), y hacer un reinicio después de cada finalización
de las fases de búsquedas locales, es decir, se hacía una solución inicial, se
realizaban las búsquedas locales de inserción e intercambio, y cuando llegaban
al óptimo local, se guardaba la solución y se reiniciaba el proceso con una
nueva solución inicial. En resumen, se hizo una VNS con especialización,
quitando la parte original de los algoritmos propuestos. También se trató de
hacer algunas combinaciones con las variantes más prometedoras de las que se
han ido explicando a lo largo del capítulo (mezcla), como son el aumento de
destrucciones cada ciertas iteraciones sin mejorar durante la fase de modifica-
ción de la solución, más seleccionar entre las dos mejores opciones en la fase
de intercambio.
La tabla 3.43 nos muestra como el reinicio después de un número de ite-

raciones sin mejorar, no aportaba unos resultados más prometedores. El quitar
la fase de intercambio produce unos resultados muy pobres, demostrando la
importancia de esta fase. Esto es, por otro lado, una de las claves del éxito del
VNS; la complementariedad de vecindarios proporciona sinergias y resultados
muy superiores a la búsqueda continua en un único vecindario. El intercambio
en el orden de la ejecución de las búsquedas locales (orden cambiado), dio
similares si no peores resultados, dado el tamaño de los distintos vecindarios.
Asimismo, el retirar la parte de la modificación de la solución no llevó a
mejorar los resultados, como tampoco lo hizo el tratar de mezclar algunas de
las opciones que se habían propuesto.
Ref. Reinicio Sin Inter. Orden cambiado Sin modif. Mezcla

3,26 3,85 4,27 3,43 3,75 3,47
Referencia: Valor sin aplicar las variaciones; Reinicio: Se reinicia cada 100 iteraciones sin mejorar; Sin
intercambio: no se realiza la fase de intercambio ; Orden cambiado: se realiza primero el intercambio
y luego la inserción; Sin modificaciones: no se realiza la fase de modificaciones; Mezcla: aumento de
destrucción junto al mejor de dos.
Tabla 3.43 – Comparación de otras mejoras probadas para

el ensamblado del algoritmo: reinicio, sin intercambios,
orden inverso de la inserción e intercambio, sin fase de
modificación y combinación variantes más prometedoras.
3.8. Resumen de los algoritmos iniciales propuestos

En este capítulo nos hemos centrado hasta ahora en ver el comportamiento
de los mejores algoritmos publicados para el problema de máquinas paralelas
no relacionadas, en aras a poder modificar su estructura para su empleo en
nuevos problemas. Nos hemos encontrado con complejos algoritmos, que eran
difíciles de modificar para adaptarlos a otros propósitos. También apreciamos
que los algoritmos existentes eran muy sensibles al intervalo que tuvieran los
tiempos de proceso.
En nuestra búsqueda de algoritmos más sencillos, hemos desarrollado cuatro
algoritmos, no dependientes de ningún solver. Todos ellos los hemos com-
3.8. Resumen de los algoritmos iniciales propuestos 131
parado con CPLEX, Partial y RBS, el estado del arte. De esta comparación,
quedó Partial, que usa el solver de CPLEX, como claramente un algoritmo ya
superado. RBS y CPLEX dan resultados similares entre sí, pero el tiempo de
resolución de RBS aumenta enormemente con el número de trabajos, dando,
además, malos resultados cuando el número de máquinas o de trabajos es pe-
queño, por lo que parece ser CPLEX la mejor opción entre los tres algoritmos
que había hasta ahora. Hablamos de la versión 11.0. No obstante, CPLEX solo
resultó ser mejor que los algoritmos propuestos de búsqueda local restringida
para el caso de U(1,100), e incluso en este caso no resultó ser estadísticamente
distinto de Vir. De los algoritmos propuestos queda peor situado IGD, a pesar
de ser comparable al estado del arte, seguido del IGS que lo mejora. Los
mejores resultados con diferencia de todos los algoritmos estudiados hasta
ahora son los de búsqueda local restringida, Vir y NSP.
En resumen, CPLEX se ha mostrado prácticamente mejor que los algo-

ritmos que formaban el estado de arte, con lo que hay que tenerlo siempre
presente a la hora de analizar, al menos, el problema de asignación estudiado.
Por nuestra parte, hemos conseguido unos algoritmos sencillos, rápidos, y que
mejoran todo lo publicado hasta la fecha, incluyendo a CPLEX. Además, en el
resto de algoritmos influyen de manera considerable el intervalo de los tiempos
de proceso y/o el número de máquinas y/o el número de trabajos, mientras que
los algoritmos propuestos resultaron ser menos sensibles.
Por otra parte, el IGS ya ha sido empleado en problemas más complejos como
el tratado por Vallada y Ruiz (2010), R/Sijk /Cmax (Sequence Dependent
Setup Times) con notable éxito, en tanto que CPLEX no es capaz de dar
resultados más allá de instancias de 12 × 5 en estos problemas. Por tanto,
se ha logrado el objetivo que teníamos fijado para este capítulo, encontrar unos
algoritmos sencillos, rápidos y eficaces para este problema.
CAPÍTULO
4
ALGORITMOS DE SELECCIÓN DIRIGIDA
Hasta ahora hemos hecho un análisis en profundidad del R//Cmáx , apor-

tando una serie de métodos, que mediante unas búsquedas locales de inserción
e intercambio, seguidas de una modificación de la solución por medio de
técnicas sencillas pero eficaces, hemos logrado mejorar, de media, el estado
del arte. Una vez establecida la naturaleza y características del problema tras
este análisis exhaustivo, proseguiremos nuestro estudio tratando de refinar los
métodos propuestos hasta ahora, motivado por algunas carencias que pasamos
a detallar.
Los métodos propuestos para la modificación de la solución obtenida

tras la fase de búsquedas locales, IGS, NSP y Vir, tienen un claro punto
mejorable: la aleatoriedad de la elección de máquinas y trabajos, que se trató
de subsanar en parte por medio del IGD, sin llegar a obtener un algoritmo lo
suficientemente bueno, por lo que a partir de este capítulo descartamos este
algoritmo. La selección de los trabajos asignados a las distintas máquinas
consiste en una elección al azar de una máquina y una vez seleccionada,
133
134 CAPÍTULO 4. ALGORITMOS DE SELECCIÓN DIRIGIDA
se hace una nueva elección al azar de entre los trabajos asignados a esa
máquina. La ventaja de esta aproximación viene dada por su simplicidad y
una cierta independencia del conocimiento del tipo de problema, pero vamos
a tratar de encontrar mejores soluciones con una selección más dirigida tanto
de máquinas como de trabajos. Como ya se vio en las secciones 3.2 y 3.3,
en las calibraciones iniciales de los algoritmos previos, parte de los trabajos a
modificar debían pertenecer a la máquina que ostentara el Cmáx , detalle que
también debemos aprovechar para aumentar el rendimiento de los algoritmos.
En los siguientes apartados vamos a mostrar diversas técnicas que proponemos
para quitarle aleatoriedad a la selección de máquinas y trabajos con el ánimo
de mejorar los resultados obtenidos hasta ahora.
4.1. Selección de máquinas

Ya se mostró que el seleccionar trabajos a modificar dentro de la máquina
que genera el Cmáx daba buenos resultados, ahora bien, puede darse el caso,
no infrecuente, de que varias máquinas a la vez tengan un valor de Ci = Cmáx ,
además, habrá que comprobar el efecto, no solo de las máquinas con Cmáx , si
no del resto de las máquinas y sus distintos valores de Ci . Es decir debemos
averiguar qué efecto tienen los distintos valores de Ci en la selección de
máquinas. Para ello estudiaremos una serie de distribuciones de probabilidad
en función de los distintos valores Ci de las máquinas, yendo desde el mayor
valor de Ci = Cmáx hasta el menor valor de Ci = Cmı́n .
Las pruebas iniciales se centraron en seleccionar un porcentaje de trabajos

de la máquina con Cmáx y un porcentaje variable entre las siguientes máquinas
con mayor Ci , lo que nos llevó a buscar una probabilidad de selección de
máquina que descendiera con el valor de Ci . Es decir, que fuera más probable
seleccionar la máquina con mayor Ci que la máquina con menor Ci . Realiza-
dos unos primeros ensayos, se optó por una distribución basada en los números
4.1. Selección de máquinas 135
triangulares tal y como se representa en el figura 4.1.
Triangular Directa
probabilidad
C máx C i(mín)
Figura 4.1 – Distribución de probabilidad basada en la

asignación de números triangulares de forma directa.
El empleo de una distribución según los números triangulares se basa en

estos números, donde cada uno de ellos es el resultado de la suma del anterior
número más el número de iteración de que se trate. Así pues, se empieza por
el 1 y le sigue, en la iteración 2, la suma del anterior número (el 1) más la
iteración de que se trata (la 2º iteración) dando como resultado de la suma 3.
La serie vendría dada por 1, 3, 6, 10, 15,. . . Estos números en realidad son la
suma de los h primeros números enteros, donde h representa la posición que
queremos hallar o expresado matemáticamente:
∑h (h)·(h+1)
i=1 h = 2
Estos números se asignan a las distintas máquinas en función de la se-

cuencia ordenada de máquinas según su Ci . Para elegir la máquina en la que
seleccionaremos el trabajo a modificar, generamos un número al azar entre 1 y
el máximo valor obtenido en la serie. La máquina que tenga el valor superior
más cercano al obtenido es la seleccionada. Por ejemplo, supongamos que
tenemos 5 máquinas, luego sus indices serían 1, 3, 6, 10 y 15; al generar un

valor al azar entre 1 y 15 obtenemos un 7. En este caso, el valor superior
más cercano al 7 es el 10 y la máquina en la posición cuarta de la lista sería
la elegida. Como se puede apreciar, la quinta máquina será elegida para los
valores generados al azar iguales a 11, 12, 13, 14 y 15, mientras que la primera
máquina solo sería elegida si el número obtenido al azar entre 1 y 15 fuera el
1; es decir, la máquina quinta tiene 5 veces más probabilidades de ser elegida
que la primera máquina.
Para el caso de la distribución basada en los números triangulares orde-
nados de forma que, a la máquina con mayor Ci , le corresponda el mayor
valor de los números triangulares empleados según el número de máquinas del
problema, la denominamos triangular directa, tal y como muestra la figura 4.1.
En el caso opuesto, que la máquina con menor Ci reciba el valor más alto de
los números triangulares, la denominaremos triangular inversa, representada
en la figura 4.2.
Triangular Inversa
probabilidad
C máx C i(mín)
Figura 4.2 – Distribución de probabilidad basada en la

asignación de números triangulares de forma inversa.
Con la distribución triangular directa buscamos el dar aun más importancia

a valor de las máquinas con Ci elevado, además de la máquina que tuviera
el Cmáx . Los resultados de las pruebas preliminares mostraron una ligera

mejora respecto a los anteriores métodos. Sin embargo, al hacer pruebas con
la distribución triangular inversa, los resultados fueron peores a los obtenidos
anteriormente, dejando patente la importancia de seleccionar las máquinas con
un sesgo hacia las máquinas de mayor Ci . No obstante lo anterior, se probó
a emplear una nueva distribución en la selección de máquinas, consistente en,
una vez ordenadas las máquinas de mayor a menor valor de Ci , elegir entre la
primera mitad de las máquinas según una distribución triangular directa y entre
la segunda mitad, la de menores Ci , según una distribución triangular inversa,
tal y como se muestra en la figura 4.3. A esta distribución la denominamos
piramidal inversa.
Piramidal Inversa
probabilidad
C máx C i(mín)
Figura 4.3 – Distribución de probabilidad basada por igual

en triangulares directa e inversa.
Este caso mejoraba los resultados de las anteriores distribuciones. Es decir,

que una vez al algoritmo ha salido de de las fases de búsquedas locales de
inserción e intercambio, con la mayoría de los trabajos bastante bien ajustados
para llegar a soluciones de gran calidad, se necesita buscar “sitio” para los
trabajos asignados a las máquinas con mayor Ci , y estos probables “sitios”
deben estar en las máquinas con menor Ci . Así, seleccionando máquinas con
Ci elevado y máquinas con Ci bajo, tratamos de buscar una mejor asignación a
los trabajos mediante una homogeneización de tiempos entre las máquinas. No
obstante, la distribución triangular directa e inversa ya nos habían mostrado el
sesgo que había hacia la selección de máquinas con mayor Ci . Por tanto, como
refinamiento del la distribución piramidal inversa llegamos a la distribución
piramidal inversa asimétrica como se muestra en la figura 4.4 mediante la
variación del punto de inflexion de la distribución piramidal.
Pira . Inv. Asimétrica

probabilidad
C máx C i(mín)
Figura 4.4 – Distribución de probabilidad asimétrica basa-

da en distribuciones triangulares directa e inversa.
Esto nos llevó a valores aún mejores que la distribución piramidal inversa.
Ahora bien, hasta ahora se ha soslayado la cuestión de que varias máquinas
podrían tener el valor de Cmáx simultáneamente, en este caso tendría el mismo
valor la selección de cualquiera de estas máquinas, es más, al avanzar en el
cálculo del algoritmo, el caso más corriente es que se vayan homogeneizando
los valores de Ci y nos encontremos con varias máquinas que ostentan el Cmáx .
Así pues, finalmente se comprobó que los mejores resultados se obtenían de
una selección uniforme entre todas las máquinas que tenían el valor del Cmáx
y una triangular inversa entre el resto de las máquinas, como se muestra en la
figura 4.5.
U(C máx ) + Trian.

. Inv.
probabilidad
C máx C i(mín)
Figura 4.5 – Distribución de probabilidad Uniforme para

las máquinas con Cmáx y Triangular Inversa entre el resto.
Esta última distribución, que viene a incorporar todas las observaciones

relevantes, resultó ser la que mejores resultados ofreció. Se realizaron muy
diversas pruebas e intentos de mejorar la distribución de probabilidades como
la de hacer variar la pendiente de la distribución triangular inversa o de variar
la distribución por otra de mayor incremento de la probabilidad como la
cuadrática que puede verse en la figura 4.6, pero no se obtuvieron mejores
resultados que los ya obtenidos o incluso empeoraron en algunos casos.
probabilidad U(C máx ) + Cuadrática
C máx C i(mín)
Figura 4.6 – Distribución de probabilidad Uniforme para

las máquinas con Cmáx y Cuadrática entre el resto.
4.2. Selección de trabajos

Una vez se ha seleccionado una máquina, dentro de ella hay que selec-
cionar un trabajo entre los que tiene asignados para modificar su asignación.
La selección puramente al azar, a pesar de los buenos resultados obtenidos,
no parece una aproximación muy inteligente, así que se procedió a buscar una
forma más dirigida de elección del trabajo a modificar su asignación entre los
asignados a la máquina previamente seleccionada. Tras diversos intentos de
formas de selección de trabajo, la forma más prometedora vino dada tras buscar
qué trabajos de entre los asignados tienen tiempos de proceso más cortos en
otras máquinas. Es decir, se comprueba para cada uno de los trabajos asignados
a una máquina preseleccionada, cuál de esos trabajos podría ser realizado más
rápido en otra máquina. Más formalmente, tenemos la máquina i que ha sido
previamente seleccionada y Ji representa al grupo de trabajos asignados a la
máquina i, siendo k en número total de trabajos asignados a la misma. Por
tanto, Ji = {j1 , j2 , . . . , jk }. Entonces, entre los k trabajos, seleccionamos el
trabajo p que tiene la mayor diferencia de tiempo de proceso con las otras
4.3. Selección del número de elementos a modificar 141
máquinas. Es decir, seleccionamos el trabajos p de acuerdo a la siguiente

expresión:
 
 
p = argmax máx (pjk ,i − pjk ,l ) (4.1)
jk ∈Ji  l∈M 
i̸=l
En realidad lo que se está haciendo es simplemente buscar entre los traba-

jos asignados a la máquina en cuestión, cuál es el que tendría más posibilidades
de, al ser quitado, encontrar una mejor colocación, ya que es el que puede ser
ubicado, a priori, en una máquina que lo procesará más rápido. Esta forma de
selección de trabajo es, evidentemente, determinista.
4.3. Selección del número de elementos a modificar

Queda pendiente la cuestión del número de trabajos que debemos retirar
de las máquinas con Cmáx y cuántos del resto de las máquinas. Hay que
tener en cuenta que se pueden producir diversas situaciones. Así, nos podemos
encontrar desde que una sola máquina está generando el Cmáx hasta que la
totalidad de las máquinas tienen el mismo Ci , por lo tanto, todas las máquinas
tendrían el Cmáx . A resultas de estas posibilidades, optamos por calcular
una media de los trabajos que podrían ser quitados de cada máquina. Es
decir, si tenemos 10 máquinas y queremos retirar d = 20 trabajos en total,
aproximadamente habrá que retirar una media de 2 trabajos por máquina. No
obstante, dado que hemos mostrado que conviene tener cierto sesgo hacia las
máquinas con Cmáx habrá que, por una parte, separar el número de trabajos a
retirar de las máquinas con Cmáx , aumentado respecto a la media, y por otra
parte el número de trabajos a retirar del resto de máquinas. Así, si marcamos
como un incremento respecto a la media de las máquinas con Cmáx del 20 %
significará que de los trabajos a retirar del resto de las máquinas, un 20 %
de ellos serán retirados de las máquinas con Cmáx , además de los que ya les
correspondían por media.
Pongamos un ejemplo. Supongamos que tenemos 10 máquinas y queremos

retirar d = 20 trabajos en total, esto supondría una media de 2 trabajos por
máquina. Si, por ejemplo, hay 4 máquinas con Cmáx , habrá 6 máquinas con
Ci distinto al Cmáx . Así tendríamos que habría que seleccionar 4 × 2 = 8
trabajos entre las máquinas con Cmáx y 6 × 2 = 12 entre el resto de las
máquinas. Si marcamos un sesgo hacia las máquinas con Cmáx de un 20 %
tendríamos que el 20 % de 12 es 2,4 que sera redondeado siempre hacia el
entero superior, con lo que quedaría 3. Finalmente, el número de trabajos a
seleccionar quedaría así: entre las máquinas con Cmáx , 8 que les correspondía
de media, más 3 de incremento por sesgo, igual a 11, y del resto de máquinas,
que inicialmente tenían 12 que les correspondían de media, menos 3 por sesgo
hacia las máquinas con Cmáx , daría un total de 9. Resumiendo, el ejemplo
queda así:
Número de máquinas de la instancia m = 10.
Número de trabajos a seleccionar para modificar su asignación d = 20.
Media teórica de trabajos a seleccionar de cada máquina, media = 20/10

= 2 trabajos por máquina.
Sesgo hacia las máquinas con Cmáx , aumentar en un 20 %.
Máquinas que ostentan el Cmáx = 4; resto de máquinas con Ci distinto al

Cmáx = 6.
Número de trabajos a seleccionar de máquinas con Cmáx según media =

4×20/10 = 8.
Número de trabajos a seleccionar de máquinas con Ci distinto al Cmáx

según media = 6×20/10 = 12.
Sesgo del 20 % hacia máquinas con Cmáx = 12×20 % = 2,4; con redon-
deo = 3.
Número final de trabajos para máquinas con Cmáx según media más
sesgo = 8 + 3 = 11.
4.4. Métodos mejorados 143
Número final de trabajos para máquinas con Ci distinto del Cmáx según
media menos sesgo = 12 - 3 = 9.
4.4. Métodos mejorados

Las mejoras en la selección de máquinas y de trabajos para una selección
más efectiva de los trabajos a modificar su asignación que hemos explicado
hasta ahora, se incluyeron en los métodos propuestos del capítulo 3. Recorde-
mos que seguimos teniendo el mismo bucle de VND y las mismas técnicas de
selección de trabajos IGS, NSP y Vir, a las que les incluiremos ahora los nuevos
métodos de selección de trabajos expuestos, que mejoran a los anteriores. Las
denominaciones de las nuevas variantes de los algoritmos se harán añadiéndole
un signo más (+) a las antiguas denominaciones. Así, el IGS pasará a ser IG+,
dado que será el único IG que evaluaremos a partir de ahora, el NSP será NSP+
y Vir pasará a Vir+. Como consecuencia de la variación introducida en los
algoritmos, tendremos que recalibrar el número total de trabajos a modificar
su asignación (d) y el sesgo a favor de las máquinas con Cmáx . Tras unas
breves calibraciones quedaron determinados estos valores como sigue:
IG+: d = 15, incremento de trabajos sobre la media para máquinas con

Cmáx =20 %
NSP+: d = 5, incremento de trabajos sobre la media para máquinas con

Cmáx =20 %
Vir+: d = 10, incremento de trabajos sobre la media para máquinas con

Cmáx =40 %
Cabe significar que, al igual que en el caso de los algoritmos originales (IG,
NSP y Vir), en los nuevos algoritmos (IG+, NSP+ y Vir+), el número total de
trabajos a modificar es independiente del tamaño de la instancia considerada.
4.5. Algoritmo NVST-IG+

Finalmente, presentamos un algoritmo que reúne todas las características
de los algoritmos desarrollados hasta ahora, integrándolo en un solo algoritmo,
un algoritmo híbrido. Tenemos que tener en cuenta que NSP y Vir son casos
especiales de búsquedas locales, así pues se podrían integrar dentro de ciclo
del VND junto con las búsquedas locales de inserción e intercambio. La forma
de integrar estas búsquedas locales restringidas (NSP y Vir) dentro del ciclo
VND, siguiendo a Hansen y Mladenovic (2001), se lleva a cabo teniendo en
cuenta que los vecindarios se examinan del de menor al de mayor tamaño. No
obstante, se probaron todas las combinaciones posibles de ordenar estas cuatro
búsquedas locales para comprobar la validez del argumento de Hansen y Mla-
denovic (2001), demostrándose, una vez más, la validez de sus afirmaciones.
Así pues, la mejor combinación de búsquedas locales es siguiendo el orden
ascendente por tamaño de vecindario, es decir, primero emplearemos el NSP,
seguido de Vir y seguimos con la inserción y el intercambio; finalizaremos
este nuevo algoritmo híbrido propuesto, empleando como modificador de la
solución el IG+. Es decir, el procedimiento queda así:
1. Ciclo VND hasta óptimo local
a) Una única iteración de NSP y Vir para todos los trabajos, sin
empeorar el valor del Cmáx .
b) Búsquedas locales de inserción e intercambio, ambas hasta óptimo
local.
2. Procedimiento IG+ como modificador de la solución.
Gráficamente podemos ver que el algoritmo NVST-IG+ vendría represen-

tado por la figura 4.7.
4.5. Algoritmo NVST-IG+ 145
Solución inicial
NSP (1 iteración)
Vir (1 tieracíon)
Búsqueda de inserción
Búsqueda de intercambio
Guardar solución si mejor
si
¿Se cumple el criterio
Fin
de parada?
no
si
¿algún cambio?
no
Modificar solución IG+
Figura 4.7 – Diagrama de flujo del algoritmo NVST-IG+.

Evidentemente, las búsquedas locales restringidas (NSP y Vir) integradas

en el ciclo, solo se pueden aplicar en una única iteración, ya que si no se
ciclarían. Por ejemplo, en la primera iteración de NSP se fuerza a que los tra-
bajos seleccionados se coloquen en la mejor opción excepto donde ya estaban;
una segunda iteración muy probablemente los devolvería al mismo sitio donde
estaban inicialmente, produciendo un ciclado del algoritmo. Igualmente, a las
búsquedas locales restringidas se les obliga a que no empeoren el valor del
Cmáx . A pesar de todo lo indicado hasta ahora, es importante remarcar que
aún sigue siendo un algoritmo básicamente sencillo, ya que se compone de
un bucle VND que incluye cuatro búsquedas locales (NSP, VIR, inSerción e
inTercambio) más un modificador de la solución tipo IG+. Denominaremos a
este nuevo algoritmo NVST-IG+. Este algoritmo se implementa fácilmente y
básicamente se compone de una serie de operaciones sencillas lo que hace que
el algoritmo sea muy rápido en cada iteración.

Como en anteriores secciones, empleamos las mismas 1.400 instancias
agrupadas en los siete intervalos ya mencionados, U (1, 100), U (10, 100), tra-
bajos correlacionadas, máquinas correlacionadas, U (100, 200), U (100, 120)
y U (1000, 1100) y constituidas por 10 instancias de cada combinación de
m = {10, 20, 30, 40, 50} y n = {100, 200, 500, 1000}. Así mismo, se em-
plearan el mismo grupo de 8 ordenadores tipo PC/AT con procesador Pentium
4 con 3.0 GHz y con 1 GB de memoria RAM empleando el sistema operativo
Windows XP 32 bits SP3.
Se presentan a continuación los resultados de los algoritmos estudiados

hasta ahora, es decir, los 3 representantes del estado del arte (CPLEX, Partial
y RBS) y siete algoritmos de los presentados en esta Tesis Doctoral hasta
el momento (IG, NSP, Vir, IG+, NSP+, Vir+ y NVST-IG+), para finalmente
presentar un resumen de los mismos así como algunos análisis estadísticos.

Se muestran todos los resultados juntos para una mejor comparación entre los
datos ya obtenidos y las nuevas mejoras.
4.6.1. Intervalo U(1,100)

En la tabla 4.1 se pueden observar los resultados de todos los algoritmos
estudiados. Como es habitual, el tiempo de parada es de 15 segundos para
todos los algoritmos que pueden pararse a tiempo, lo que implica que sean
excepciones Partial que ya, como se explicó, se para a 15 segundos en su
segunda fase y RBS que no puede interrumpirse. Esto nos lleva a que Partial y
RBS lleguen hasta tiempos muy superiores a 15 segundos para algunos casos.
n m CPLEX Partial RBS IGS NSP Vir IG+ NSP+ Vir+ NVST-IG+
100 10 0,00 0,38 2,40 0,14 0,22 0,15 0,13 0,52 0,29 0,17
100 20 0,00 0,63 2,88 0,46 1,03 1,18 0,39 1,68 1,21 0,73
100 30 0,00 2,99 1,21 0,63 0,85 0,86 0,63 1,07 0,74 0,00
100 40 0,00 7,41 2,74 1,48 2,74 2,74 1,24 1,81 2,74 0,91
100 50 0,00 7,94 0,00 1,25 1,25 1,25 1,00 1,25 1,25 0,00
200 10 0,20 0,34 1,34 0,37 0,50 0,42 0,35 0,58 0,46 0,26
200 20 1,75 1,39 2,28 1,68 1,82 1,68 0,94 1,94 1,51 0,98
200 30 2,12 1,82 3,59 2,38 2,96 2,53 1,79 2,65 2,29 2,02
200 40 3,03 1,73 4,18 3,37 4,19 3,48 2,89 3,49 3,01 2,16
200 50 1,60 7,31 4,87 4,71 5,19 5,32 4,55 5,17 5,14 3,69
500 10 0,29 0,31 0,97 0,57 0,57 0,53 0,45 0,53 0,49 0,37
500 20 1,26 0,96 1,48 2,28 2,35 1,84 1,41 1,73 1,61 1,20
500 30 3,40 2,31 2,00 4,05 4,21 2,96 2,18 2,61 2,43 1,83
500 40 4,15 3,64 1,82 4,19 4,86 3,52 1,97 2,33 2,23 1,46
500 50 5,63 6,37 1,88 6,07 7,21 4,80 4,51 4,80 4,21 2,78
1000 10 0,19 0,54 0,73 0,42 0,41 0,38 0,34 0,37 0,35 0,31
1000 20 1,35 0,91 1,09 1,44 1,46 1,29 0,87 1,01 0,98 0,83
1000 30 2,36 2,03 1,57 3,25 3,42 2,70 2,01 2,18 2,08 1,87
1000 40 4,26 4,12 2,00 4,81 5,00 3,96 2,85 2,93 2,88 2,45
1000 50 6,05 4,50 1,57 5,66 6,21 4,38 3,17 3,44 3,13 2,70
Media 1,88 2,88 2,03 2,46 2,82 2,30 1,68 2,10 1,95 1,34

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para el
intervalo de distribución de tiempos de proceso U (1, 100).
En esta tabla 4.1 podemos constatar de nuevo el buen comportamiento de

CPLEX frente a otros algoritmos como Partial que usan al propio CPLEX
como solver. Igualmente, se puede observar como las mejoras introducidas
en los algoritmos propuestos nos proporcionan una mejora sustancial en sus
resultados. Así los algoritmos IG+, NSP+ y Vir+ superan los resultados previa-
mente obtenidos por sus homólogos sin las formas de selección más dirigidas
que hemos desarrollado. En particular, podemos observar como, de media,
el algoritmo IG+ ya supera el mejor resultado obtenido hasta la fecha, que
estaba representado por CPLEX. Incluso en este caso vemos como la mayor
desviación que daba CPLEX llegaba al 6 % mientras que IG+ apenas si supera
el 4,5 %. No obstante lo anterior, el algoritmo híbrido NVST-IG+ da, con
diferencia, los mejores resultados, no llegando a un error mayor que el 3,7 %
en el peor de los casos, y con una media del 1,34 % es por tanto el mejor
algoritmo en este intervalo.

3,5
3,1
2,7
RPD
2,3
1,9
1,5
1,1
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Partial
Vir
Figura 4.8 – ANOVA del intervalo U(1,100).
El la figura 4.8 podemos ver como los algoritmos de selección dirigida

propuestos (IG+, NSP+ y Vir+) muestran ser estadísticamente superiores de
sus algoritmos de procedencia (IGS, NSP y Vir), aunque no lo son del estado
del arte. Sin embargo, el algoritmo híbrido NVST-IG+ ya se muestra estadísti-
camente mejor que cualquier otro algoritmo estudiado.
4.6.2. Intervalo U(10,100)

En la tabla 4.2 podemos apreciar los resultados obtenidos en el intervalos
U(10,100). Recordemos que en este intervalo Partial era el que mejores resulta-
dos proporcionaba, aunque los primeros algoritmos propuestos ya se acercaban
a los mejores valores.
100 10 0,06 0,39 1,45 0,49 0,57 0,37 0,44 0,56 0,50 0,36
100 20 0,79 0,53 2,67 0,98 1,22 0,85 0,74 1,01 0,85 0,60
100 30 2,14 1,29 4,49 1,67 1,88 1,46 0,78 1,38 0,99 0,43
100 40 0,29 1,47 4,98 2,82 3,52 2,70 2,00 2,12 2,24 0,94
100 50 0,33 0,67 6,66 0,55 1,48 0,62 0,33 0,62 0,62 0,13
200 10 0,25 0,27 0,80 0,52 0,43 0,30 0,27 0,36 0,28 0,21
200 20 1,66 0,90 1,52 1,67 1,15 0,94 0,71 1,01 0,87 0,57
200 30 2,96 2,40 2,16 2,44 1,80 1,82 1,25 1,55 1,48 0,68
200 40 5,02 2,05 2,68 2,93 2,46 2,58 1,23 1,98 1,48 0,82
200 50 4,36 1,80 1,80 2,43 1,91 2,27 1,08 1,52 1,48 0,16
500 10 0,27 0,23 0,52 0,45 0,39 0,38 0,28 0,36 0,30 0,24
500 20 0,97 0,82 1,02 1,40 1,10 1,04 0,75 0,88 0,79 0,64
500 30 1,80 1,42 0,99 2,17 1,82 1,74 1,08 1,32 1,27 1,07
500 40 2,53 2,66 1,33 3,01 2,52 2,65 1,57 1,96 1,90 1,56
500 50 3,08 3,25 1,28 3,52 2,84 3,09 1,86 2,19 2,20 1,80
1000 10 0,19 0,73 0,39 0,26 0,23 0,22 0,18 0,19 0,19 0,16
1000 20 0,83 0,66 0,47 0,84 0,75 0,71 0,53 0,62 0,58 0,51
1000 30 1,38 0,98 0,64 1,44 1,25 1,24 0,87 1,01 0,96 0,98
1000 40 1,75 1,72 0,81 2,00 1,71 1,77 1,27 1,42 1,37 1,38
1000 50 2,05 2,05 0,83 2,48 2,18 2,23 1,62 1,83 1,79 1,81
Media 1,64 1,31 1,87 1,70 1,56 1,45 0,94 1,19 1,11 0,75

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para el in-
tervalo de distribución de tiempos de proceso U (10, 100).
Se puede apreciar como en este intervalo los algoritmos de selección diri-

gida son capaces de superar de media a cualquier algoritmo de los estudiados
hasta ahora. Claramente, se ve como IG+ supera a Partial, el mejor algoritmo

para este intervalo hasta la fecha. De nuevo el mejor comportamiento lo ofrece
NVST-IG+ que proporciona no solo los mejores resultados de media, sino
que incluso obtiene los mejores resultados en la mayoría de cada una de
las combinaciones de instancias objeto de estudio, con un máximo error del
1,81 % para las instancias más grandes. Así podemos ver como NVST-IG+ es
un 219 % mejor que CPLEX, un 175 % mejor que Partial y cerca de un 249 %
mejor que RBS.

2,1
1,8
1,5
RPD
1,2
0,9
0,6
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Vir
Partial
La figura 4.9 muestra como el algoritmo de selección dirigida IG+ ya es

significativamente distinto a Partial, el algoritmo con mejor comportamiento
hasta el momento en este intervalo. También se puede apreciar como todos
los algoritmos de selección dirigida son significativamente distintos tanto de
CPLEX como de RBS. Aquí se ve como el último algoritmo propuesto, NVST-
IG+ de nuevo muestra una diferencia significativa con el resto de algoritmos
considerados.
4.6.3. Intervalo de los trabajos correlacionados

La tabla 4.3 muestra como los algoritmos de selección dirigida se acercan
ya mucho a los valores del mejor algoritmo para este intervalo que viene re-
presentado por RBS. Recordemos que al algoritmo RBS no se le fija un tiempo
determinado de CPU, si no se detiene cuando finaliza con cada instancia, así
que llega a superar los 100 segundos para las instancias más grandes frente a
los 15 segundos que tienen el resto de los algoritmos con excepción de Partial.
Aún así podemos apreciar como NSP+ obtiene valores proximos a RBS y el
algoritmo NVST-IG+ tiene resultados similares.
100 10 0,50 0,53 0,79 0,75 0,48 0,49 0,38 0,31 0,37 0,35
100 20 1,18 2,19 1,26 1,30 0,61 1,00 0,88 0,50 0,75 0,78
100 30 2,32 4,73 0,98 1,82 0,50 1,04 0,95 0,44 1,01 0,71
100 40 2,42 7,21 1,22 4,03 1,93 2,03 2,41 1,39 2,54 2,24
100 50 3,18 7,83 2,54 5,06 4,02 3,32 2,34 1,60 2,92 2,17
200 10 0,29 0,26 0,35 0,49 0,36 0,42 0,24 0,22 0,25 0,22
200 20 1,64 1,18 0,56 0,63 0,38 0,50 0,37 0,33 0,41 0,37
200 30 2,82 2,50 0,57 1,26 0,61 0,96 0,80 0,65 0,80 0,64
200 40 3,12 3,49 -0,24 1,34 0,11 0,79 0,62 0,36 0,69 0,33
200 50 4,97 5,09 -0,65 2,28 0,54 1,42 1,27 0,91 1,27 0,94
500 10 0,25 0,16 0,13 0,28 0,28 0,28 0,14 0,15 0,16 0,14
500 20 0,69 0,77 0,13 0,37 0,33 0,36 0,27 0,26 0,26 0,22
500 30 2,21 1,16 0,07 0,44 0,27 0,38 0,29 0,25 0,31 0,17
500 40 3,95 1,75 -0,06 0,35 0,04 0,25 0,14 0,10 0,16 0,02
500 50 4,83 3,34 -0,42 0,41 -0,10 0,18 0,06 0,02 0,10 -0,10
1000 10 0,15 0,09 0,09 0,11 0,13 0,13 0,08 0,09 0,09 0,09
1000 20 0,70 0,47 0,05 0,27 0,25 0,27 0,22 0,22 0,23 0,20
1000 30 1,56 1,25 -0,02 0,21 0,16 0,18 0,16 0,14 0,16 0,13
1000 40 2,59 1,77 -0,11 0,12 0,03 0,08 0,05 0,03 0,05 0,01
1000 50 4,57 2,87 -0,28 0,14 -0,02 0,08 0,05 0,01 0,06 -0,02
Medio 2,20 2,43 0,35 1,08 0,54 0,71 0,59 0,40 0,63 0,48

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para el
intervalo de distribución de tiempos de proceso de trabajos
correlacionados.
El la figura 4.10 se puede apreciar que a pesar de obtener RBS mejores

valores de media, no es significativamente distinto de la mayoría de los al-

goritmos de selección dirigida o del híbrido NVST-IG+. Para este caso es
de destacar los pobres resultados que muestran tanto CPLEX como Partial
respecto al resto de algoritmos.

3
2,5
2
RPD
1,5
1
0,5
0
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Partial
Vir
Figura 4.10 – ANOVA del intervalo de trabajos correla-

cionados.
4.6.4. Intervalo máquinas correlacionadas

La tabla 4.4 muestra los resultados para el intervalo de máquinas corre-
lacionadas. Aquí ya se puede apreciar como mientras en el anterior intervalo
de trabajos correlacionados RBS tenia un muy buen comportamiento, en este
intervalo refleja los peores resultados con diferencia. Por parte de los algorit-
mos propuestos, cualquiera de ellos, muestra mejores valores de media que el
estado del arte, siendo de el algoritmo NVST-IG+ el que presenta mejor media.
100 10 0,00 0,10 1,65 0,28 0,27 0,14 0,24 0,23 0,21 0,25
100 20 0,08 0,07 3,44 0,51 0,37 0,39 0,44 0,37 0,37 0,43
100 30 0,00 0,08 3,77 0,44 0,37 0,30 0,40 0,32 0,32 0,25
100 40 0,11 0,00 4,18 0,22 0,23 0,15 0,20 0,15 0,20 0,15
100 50 0,29 0,00 5,37 0,47 0,53 0,35 0,41 0,29 0,35 0,32
200 10 0,45 0,37 1,47 0,56 0,42 0,47 0,52 0,49 0,49 0,53
200 20 0,91 0,53 1,16 0,42 0,28 0,32 0,33 0,31 0,31 0,29
200 30 1,28 1,15 2,27 0,76 0,53 0,58 0,55 0,48 0,44 0,50
200 40 1,58 0,96 4,37 0,67 0,50 0,52 0,55 0,42 0,46 0,49
200 50 1,91 0,69 4,29 0,82 0,56 0,65 0,56 0,51 0,50 0,33
500 10 0,28 0,15 0,73 0,60 0,55 0,54 0,69 0,64 0,64 0,65
500 20 0,86 0,56 1,65 0,72 0,66 0,67 0,71 0,71 0,69 0,72
500 30 1,09 1,17 0,82 0,79 0,69 0,71 0,75 0,72 0,69 0,68
500 40 1,67 1,86 2,53 0,76 0,68 0,69 0,69 0,70 0,67 0,64
500 50 2,72 2,87 2,99 1,00 0,97 0,94 0,81 0,81 0,83 0,77
1000 10 0,27 0,20 0,34 0,64 0,60 0,59 0,61 0,63 0,61 0,59
1000 20 0,48 0,39 0,51 0,87 0,84 0,85 0,88 0,88 0,85 0,88
1000 30 0,96 1,19 1,20 1,02 1,03 1,02 0,97 1,00 1,00 0,98
1000 40 2,52 2,28 1,78 0,75 0,74 0,74 0,73 0,74 0,71 0,69
1000 50 5,19 4,23 2,75 0,93 0,96 0,95 0,85 0,89 0,85 0,82
Media 1,13 0,94 2,36 0,66 0,59 0,58 0,60 0,56 0,56 0,55

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para el in-
tervalo de distribución de tiempos de proceso de máquinas
correlacionadas.
La figura 4.11 nos muestra como todos los algoritmos propuestos son
significativamente distintos al estado del arte. Igualmente queda patente la
diferencia de resultados para este intervalo del RBS, que queda muy lejos de
los valores obtenidos por resto de algoritmos.

2,5
1,5
RPD
0,5
0
CPLEX
NSP+
IG+
Vir+
RBS
IGS
NSP
NVST-IG+
Vir
Partial
Figura 4.11 – ANOVA del intervalo de máquinas correla-

cionados.
4.6.5. Intervalo U(100,200)

El intervalo U(100,200) es el primero de los nuevos intervalos diseñados
para estos experimentos. La tabla 4.5 muestra los resultados en este intervalo.
100 10 0,07 0,09 1,22 0,33 0,30 0,19 0,26 0,29 0,24 0,26
100 20 0,38 0,47 1,07 0,39 0,37 0,32 0,32 0,43 0,35 0,30
100 30 1,90 2,81 1,01 0,21 0,16 0,03 -0,01 0,02 -0,01 -0,10
100 40 1,38 2,43 0,99 0,47 0,42 0,34 0,22 0,16 0,18 0,07
100 50 0,28 0,14 1,66 0,14 0,22 0,35 0,10 0,09 0,36 0,11
200 10 0,69 0,43 1,06 0,40 0,23 0,29 0,33 0,38 0,35 0,31
200 20 0,50 0,83 1,42 0,74 0,47 0,64 0,50 0,56 0,59 0,49
200 30 1,15 2,73 0,01 0,11 -0,29 -0,12 -0,22 -0,22 -0,20 -0,30
200 40 1,01 1,06 0,89 0,83 0,48 0,83 0,43 0,48 0,66 0,42
200 50 0,85 0,68 1,12 0,95 0,55 0,96 0,54 0,58 0,85 0,52
500 10 0,29 0,23 0,49 0,26 0,13 0,18 0,21 0,23 0,22 0,21
500 20 1,05 0,66 1,04 0,75 0,58 0,67 0,71 0,76 0,77 0,69
500 30 0,91 1,47 0,57 0,78 0,56 0,66 0,59 0,57 0,59 0,55
500 40 0,48 2,15 0,32 0,54 0,35 0,43 0,31 0,30 0,33 0,28
500 50 0,69 0,98 0,69 0,84 0,58 0,80 0,51 0,59 0,64 0,51
1000 10 0,21 0,31 0,22 0,13 0,08 0,11 0,12 0,11 0,13 0,11
1000 20 0,80 0,67 0,64 0,50 0,38 0,46 0,46 0,50 0,49 0,40
1000 30 0,84 0,93 0,56 0,66 0,59 0,64 0,58 0,59 0,61 0,46
1000 40 0,98 1,18 0,70 0,69 0,58 0,66 0,57 0,63 0,61 0,58
1000 50 0,71 0,69 0,54 0,60 0,48 0,58 0,49 0,51 0,54 0,47
Media 0,76 1,05 0,81 0,52 0,36 0,45 0,35 0,38 0,42 0,32

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para
el intervalo de distribución de tiempos de proceso de
U (100, 200).
Para este intervalo, ya se ve como todos los algoritmos propuestos produ-

cen mejores resultados que el estado de el arte, a pesar de que tanto Partial
como RBS emplean más de los 15 segundos utilizados por el resto de algorit-
mos, para los cuales recordemos que se empleó para su codificación Delphi,
más lento que C++ empleado en la codificación de Partial o RBS. Es decir, a
pesar de actuar en circunstancias más desfavorables, consiguen sacar mejores
resultados.

1,28
1,08
0,88
RPD
0,68
0,48
0,28
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Partial
Vir
La figura 4.12 muestra como claramente todos los algoritmos propuestos

son significativamente mejores que el estado del arte, con especial comporta-
miento por parte de algoritmos como NSP, IG+, NSP+ y NVST-IG+.
4.6.6. Intervalo U(100,120)

Las medias mostradas en la tabla 4.6 muestran que las diferencias de los
algoritmos con la referencia son ya cercanas a cero. No obstante, se puede
apreciar como los algoritmos propuestos siguen mejorando los valores dados
por el estado del arte. Los mejores métodos son el IG+ y el NVST-IG+ con
medias del 0,04 %. El mejor método del estado del arte es el RBS con un
0,13 % lo que significa que los mejores algoritmos propuestos son un 325 %
mejores que este.
100 10 0,06 0,19 0,24 0,10 0,06 0,06 0,07 0,09 0,09 0,08
100 20 0,20 0,28 0,22 0,11 0,06 0,10 0,06 0,06 0,06 0,05
100 30 0,15 0,35 0,18 0,15 0,04 0,09 0,00 0,00 0,01 0,00
100 40 0,03 0,40 0,10 0,15 0,00 0,04 0,00 0,00 0,00 0,00
100 50 0,05 0,94 0,30 0,12 0,03 0,14 0,01 0,04 0,09 0,00
200 10 0,10 0,13 0,19 0,08 0,04 0,05 0,06 0,06 0,07 0,06
200 20 0,24 0,26 0,22 0,15 0,08 0,13 0,08 0,09 0,11 0,09
200 30 0,44 0,68 0,04 0,10 0,03 0,07 0,03 0,02 0,03 0,01
200 40 0,12 0,18 0,06 0,08 0,06 0,08 0,03 0,04 0,07 0,03
200 50 0,05 0,32 0,07 0,06 0,02 0,08 0,02 0,02 0,02 0,01
500 10 0,15 0,29 0,23 0,07 0,04 0,06 0,08 0,10 0,09 0,09
500 20 0,16 0,23 0,18 0,10 0,07 0,09 0,07 0,08 0,09 0,07
500 30 0,39 0,42 0,11 0,17 0,13 0,15 0,12 0,11 0,11 0,10
500 40 0,07 0,86 -0,02 0,06 0,01 0,05 -0,02 -0,01 -0,02 -0,02
500 50 0,11 0,10 0,04 0,09 0,05 0,08 0,01 0,03 0,03 0,01
1000 10 0,16 0,28 0,13 0,05 0,03 0,04 0,07 0,07 0,07 0,07
1000 20 0,25 0,26 0,16 0,08 0,06 0,08 0,08 0,09 0,09 0,08
1000 30 0,12 0,14 -0,05 0,07 0,05 0,07 0,05 0,05 0,05 0,03
1000 40 0,16 0,14 0,10 0,07 0,06 0,06 0,05 0,06 0,05 0,05
1000 50 0,07 0,10 0,03 0,03 0,02 0,03 0,01 0,02 0,01 0,01
Media 0,15 0,33 0,13 0,09 0,05 0,08 0,04 0,05 0,06 0,04

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ para
el intervalo de distribución de tiempos de proceso de
U (100, 120).
En el ANOVA de la figura 4.13 podemos observar como las diferencias

entre el estado del arte y todos los algoritmos propuestos son estadísticamente
significativas. Cabe destacar igualmente los pobres resultados ofrecidos por
Partial.

0,4
0,3
RPD
0,2
0,1
0
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Vir
Partial
4.6.7. Intervalo U(1000,1100)

En este último intervalo nos muestra en la tabla 4.7 valores ya muy
próximos al cero de media respecto a la referencia. Aún así, las medias
mostradas por los algoritmos propuestos superan a las obtenidas por el estado
del arte. Aquí IG+ y NVST-IG+ vuelven a dar muy buenos resultados con
un 0,02 % mientras que el mejor resultado del estado del arte viene dado por
CPLEX con un 0,08 %, es decir, un 400 % peor.
100 10 0,06 0,04 0,14 0,04 0,03 0,02 0,03 0,04 0,03 0,03
100 20 0,04 0,07 0,18 0,03 0,03 0,02 0,01 0,03 0,03 0,02
100 30 0,17 0,36 0,23 0,02 0,01 -0,01 -0,01 -0,01 -0,01 -0,02
100 40 0,13 0,35 0,33 0,04 0,03 0,02 0,01 0,01 0,01 0,00
100 50 0,01 0,01 0,77 0,01 0,01 0,01 0,00 0,00 0,02 0,00
200 10 0,04 0,06 0,13 0,05 0,02 0,03 0,04 0,05 0,04 0,04
200 20 0,09 0,08 0,17 0,07 0,04 0,06 0,04 0,06 0,06 0,05
200 30 0,09 0,72 -0,03 -0,07 -0,11 -0,09 -0,10 -0,10 -0,10 -0,11
200 40 0,10 0,09 0,29 0,05 0,02 0,05 0,02 0,04 0,04 0,02
200 50 0,07 0,11 0,52 0,06 0,03 0,07 0,03 0,04 0,05 0,03
500 10 0,06 0,03 0,09 0,03 0,02 0,02 0,03 0,04 0,04 0,03
500 20 0,10 0,04 0,09 0,05 0,03 0,04 0,04 0,04 0,04 0,03
500 30 0,02 0,94 0,03 0,04 0,01 0,03 0,02 0,02 0,02 0,01
500 40 0,03 1,19 0,03 0,04 0,02 0,03 0,02 0,02 0,02 0,01
500 50 0,08 0,09 0,23 0,07 0,05 0,07 0,04 0,05 0,06 0,04
1000 10 0,08 0,08 0,07 0,02 0,02 0,02 0,03 0,04 0,03 0,03
1000 20 0,10 0,07 0,08 0,04 0,03 0,04 0,05 0,05 0,05 0,05
1000 30 0,10 0,07 0,07 0,07 0,06 0,06 0,06 0,06 0,06 0,05
1000 40 0,08 0,08 0,09 0,05 0,04 0,05 0,04 0,04 0,04 0,04
1000 50 0,06 0,06 0,13 0,05 0,04 0,05 0,04 0,04 0,05 0,04
Media 0,08 0,23 0,18 0,04 0,02 0,03 0,02 0,03 0,03 0,02

Partial, RBS, IGS, NSP, Vir, IG+, NSP+ y Vir+ pa-
ra el intervalo de distribución de tiempos de proceso
U (1000, 1100).
La figura 4.14 muestra las diferencias significativas que existen entre el

estado del arte y cualquiera de los algoritmos propuestos, aunque apenas si
hay diferencias apreciables entre estos últimos.

0,24
0,2
0,16
RPD
0,12
0,08
0,04
0
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Partial
Vir
4.6.8. Todos los intervalos

Para poder tener un cuadro más completo de todos los resultados obtenidos
en los intervalos estudiados, en la tabla 4.8 mostramos un resumen de dichos
resultados.
Intervalo CPLEX Partial RBS IGS NSP Vir IG+ NSP+ Vir+ NVST-IG+
U (1, 100) 1,88 2,88 2,03 2,46 2,82 2,3 1,68 2,10 1,95 1,34
U (10, 100) 1,64 1,31 1,87 1,7 1,56 1,45 0,94 1,19 1,11 0,75
U (100, 200) 0,76 1,05 0,81 0,52 0,36 0,45 0,35 0,38 0,42 0,32
U (100, 120) 0,15 0,33 0,13 0,09 0,05 0,08 0,04 0,05 0,06 0,04
U (1000, 1100) 0,08 0,23 0,18 0,04 0,02 0,03 0,02 0,03 0,03 0,02
jobcorre 2,20 2,43 0,35 1,08 0,54 0,71 0,59 0,40 0,63 0,48
machcorre 1,13 0,94 2,36 0,66 0,59 0,58 0,60 0,56 0,56 0,55
Media 1,12 1,31 1,10 0,94 0,85 0,80 0,60 0,67 0,68 0,50
M, usuales 1,71 1,89 1,65 1,48 1,38 1,26 0,95 1,07 1,06 0,78
M.usuales= Media de los intervalos más usuales: U (1, 100); U (10, 100); Trabajos Correlacionados;
máquinas Correlacionadas
Tabla 4.8 – Resumen de resultados para todos los interva-

los y algoritmos. En negrita (cursiva) se representa el mejor
(peor) resultado, respectivamente.
Se han presentado dos medias globales. La primera refleja la media de

los siete intervalos estudiados, es decir una media de la desviación relativa
respecto a los valores obtenidos por CPLEX al cabo de dos horas con cada
una de la 1.400 instancias. La segunda media es la realizada sobre los cuatro
intervalos más usados en la literatura, es decir U(1,100), U(10,100), trabajos
correlacionados y máquinas correlacionadas. Se han mostrado ambos resulta-
dos para evitar que se sospeche de cierto sesgo al emplear los nuevos intervalos
propuestos en beneficio de mejores resultados propios.
Viendo las medias obtenidas podemos comprobar como cualquiera de los
algoritmos propuestos obtienen mejores resultados que el estado del arte, tanto
en el caso de los siete intervalos estudiados, como en las medias sobre los
intervalos más clasicos. En este punto queremos recordar que los algoritmos
propuestos son esencialmente simples y que no emplean ningún solver comer-
cial. También hemos visto como solo en el caso de trabajos correlacionados,
RBS conseguía mejorar los resultados de NVST-IG+, aunque en este caso la
media de tiempo que emplea RBS para resolver las instancias se eleva hasta
los 25 segundos de tiempo de CPU, mientras que NVST-IG+ solo emplea
15 segundos Así pues, posteriormente veremos los resultados de todos los

algoritmos estudiados para distintos tiempos de CPU.
Se muestra ahora un análisis estadístico basado en el ANOVA para com-

probar si las diferencias observadas son estadísticamente significativas. En
total se evalúan, para los métodos de CPLEX, Partial y RBS , 1.400 resultados
respectivamente, proporcionados por las 200 instancias de cada uno de los siete
intervalos de tiempos de proceso objeto de estudio, más los 7.000 resultados
de cada uno de los algoritmos propuestos, ya que se hicieron 5 réplicas de cada
uno, con lo que nos lleva a un total de 53.200 resultados a estudiar. La figura
4.15 nos muestra un gráfico de medias con el resumen del estudio.

1,46
1,26
RPD
1,06
0,86
0,66
0,46
CPLEX
IG+
Vir+
RBS
IGS
NSP+
NVST-IG+
NSP
Partial
Vir
Figura 4.15 – Medias e intervalos de Tukey HSD con un

95 % de nivel de confianza para todos los algoritmos y
todas las instancias estudiadas.
Como se puede apreciar, los algoritmos de selección dirigida son estadís-

ticamente diferentes de sus homólogos no mejorados. NSP+ y Vir+ se pueden
considerar equivalentes, mientras que IG+ ya empieza a diferenciarse de ellos.
Finalmente, podemos apreciar como NVST-IG+ es estadísticamente mejor que

el resto de los algoritmos propuestos o así como del estado del arte.
Hasta ahora los resultados mostrados por los siete algoritmos propuestos
y CPLEX se han obtenido parando a 15 segundos de tiempo de CPU. Recor-
demos que Partial ha sido parado a los 15 segundos de su segunda fase, lo
que nos lleva a tiempos superiores a 15 segundos. Igualmente RBS supera los
15 segundos de tiempo dado el carácter constructivo de este algoritmo, por lo
que se ha de dejar que finalice, lo que para las instancias más grandes eleva
mucho este tiempo, siendo menor para las instancias pequeñas, y dándonos
una media, para la amplitud de rayo recomendado por sus autores, de 25
segundos. Quedaría pendiente la cuestión de si los resultados obtenidos por
el mejor algoritmo propuesto, NVST-IG+, mantienen estos buenos resultados
para tiempos de parada de CPU mayores, o incluso menores. Para resolver esta
cuestión, hemos llevado a cabo una serie de experimentos adicionales donde
se han ajustado los tiempos de parada de CPU a 5, 25, 300, 600, 1800, 3600 y
7200 segundos. Estos tiempos de nuevo se ajustan exactamente en el caso del
algoritmo propuesto NVST-IG+ y CPLEX. Para Partial estos nuevos tiempos
se usan para la segunda fase de este algoritmo. En el caso de Partial solo se
ha llegado hasta 300 segundos debido a que las diferencias, desfavorables para
Partial, con los restantes algoritmos, iban aumentando conforme aumentaban
los tiempos. Igualmente, ha sido seleccionado el tiempo de 25 segundos por
ser, aproximadamente, la media del tiempo que emplea RBS en resolver todas
las instancias con la amplitud de rayo recomendado por los autores. En el
caso de RBS, se evaluó hasta 300 segundos aumentando la correspondiente
amplitud de rayo.
Tiempo Algoritmo U (1, 100) U (10, 100) U (100, 200) U (100, 120) U (1000, 1100) Tracorre Maqcorre Media
164
5 Partial 3,93 2,25 1,22 0,36 0,27 2,89 1,49 1,77
CPLEX 3,45 2,53 0,98 0,20 0,09 3,92 2,70 1,98
NVST-IG+ 1,78 1,06 0,41 0,06 0,03 0,71 0,66 0,67
25 Partial 2,45 1,22 0,69 0,28 0,18 2,12 0,73 1,10

CPLEX 1,41 1,42 0,58 0,12 0,04 1,75 0,69 0,86
NVST-IG+ 1,20 0,61 0,27 0,04 0,02 0,38 0,51 0,43
RBS 2,03 1,87 0,81 0,13 0,18 0,35 2,36 1,10
300 Partial 1,59 0,33 0,20 0,21 0,09 1,23 0,10 0,54
CPLEX 0,35 0,29 0,24 0,04 0,02 0,45 0,12 0,22
NVST-IG+ 0,67 0,19 0,14 0,02 0,00 0,05 0,38 0,21
RBS 0,87 0,85 0,39 0,07 0,08 -0,20 1,17 0,46
600 CPLEX 0,24 0,20 0,17 0,03 0,01 0,27 0,07 0,14
NVST-IG+ 0,58 0,09 0,10 0,01 0,00 -0,02 0,35 0,16
1800 CPLEX 0,12 0,11 0,08 0,02 0,01 0,12 0,03 0,07
NVST-IG+ 0,53 0,02 0,07 0,01 -0,01 -0,11 0,32 0,12
3600 CPLEX 0,05 0,06 0,02 0,01 0,00 0,07 0,01 0,03
NVST-IG+ 0,49 -0,03 0,05 0,00 -0,01 -0,2 0,29 0,09
7200 CPLEX 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
NVST-IG+ 0,38 -0,07 0,03 0,00 -0,01 -0,26 0,27 0,05
Tabla 4.9 – Resultados de las medias de los mejores algoritmos para diferentes tiempos
de parada de CPU. En negrita (cursiva) se destacan los mejores (peores) resultados.
CAPÍTULO 4. ALGORITMOS DE SELECCIÓN DIRIGIDA
Podemos apreciar que NVST-IG+ es el mejor método cuando se ejecuta

con tiempos de CPU extremadamente cortos (5 segundos) con una desviación
media total del 0,67 %. Esto es un 296 % mejor que CPLEX y un 264 %
mejor que Partial. Estos resultados creemos que son dignos de mención ya
que en solo 5 segundos se alcanza una buena media de desviación y sin usar
ningún solver. Para 25 segundos y 300 segundos NVST-IG+ sigue siendo el
mejor método de media. Para 25 segundos, tiempo medio de ejecución de
RBS, vemos como sigue quedando, de media, muy lejos de NVST-IG+ o de
CPLEX, mientras que Partial es el peor método para estos tiempos. Como se
puede apreciar, todas las evaluaciones previas que se hicieron para 15 segundos
se pueden aplicar para menores o mayores tiempos de CPU hasta los 300
segundos.
Para los tiempos de proceso aún mayores, de 10, 30, 60 y 120 minutos, solo
hemos comparado los dos mejores métodos: CPLEX y NVST-IG+. De hecho,
con más tiempo, CPLEX tiene que ser obviamente mejor, dado que CPLEX
aplica un Branch and Cut estado del arte, un algoritmo exacto. Es de esperar
que con un tiempo arbitrariamente largo sería capaz de encontrar la solución
óptima para todas las instancias. Sin embargo, es de destacar como en los
intervalos de U(1000,1100) y trabajos correlacionados, NVST-IG+ es capaz
de mejorar, en tan solo 10 minutos, los resultados obtenidos por CPLEX con
hasta 2 horas con cada instancia, lo cual es muy reseñable.
Realmente evaluamos CPLEX frente NVST-IG+ para más tiempos de pa-

rada diferentes, que incluiremos en un último estudio. Realizamos un ANOVA
de dos factores cuyo gráfico de interacción de las medias se muestra en la figura
4.16. De nuevo debemos recordar que el gráfico representa la media de todos
los intervalos. En el gráfico se aprecia como, hasta los 60 segundos, es mejor
usar NVST-IG+ que CPLEX. A partir de los 120 segundos es estadísticamente
equivalente el emplear CPLEX o NVST-IG+. Sin embargo, se puede apreciar
como la curva de CPLEX cae por debajo de la curva de NVST-IG+ a partir
de los 600 segundos. No obstante, para algún intervalo especifico y algunas

instancias, NVST-IG+ tiene mejores resultados.

1,7
algoritmo
1,4
CPLEX
1,1 NVST-IG+
RPD
0,8
0,5
0,2
- 0,1
5 15 30 60 120 240 300 600 1800 3600 7200
Figura 4.16 – Gráfico para los diversos tiempos estudiados

(en segundos) en los algoritmos CPLEX y NVST-IG+ y
para todas las instancias.
4.7. Resumen de los algoritmos de selección dirigida

En este capítulo hemos tratado de mejorar el funcionamiento de los al-
goritmos propuestos inicialmente, eliminando parte del azar que existía en la
elección de los trabajos que tenían que ser seleccionados para su modificación
por los distintos métodos. Se ha hecho un estudio sobre la preferencia de elegir
4.7. Resumen de los algoritmos de selección dirigida 167
máquinas con Cmáx pero observando también la importancia de elegir las

máquinas con menor Ci , llegando a una distribución uniforme en la selección
entre las máquinas con Cmáx y una distribución siguiendo la numeración trian-
gular inversa para la selección entre las restantes máquinas, con un sesgo hacia
las máquinas con Cmáx . Una vez seleccionada la máquina de la que hay que
extraer el trabajo, la elección del trabajo es determinista siguiendo el criterio de
quitar el trabajo asignado a esa máquina que mayor diferencia presente entre
el tiempo de proceso de ese trabajo con el resto de tiempos de proceso del
mismo trabajo en las otras máquinas. Estos métodos de selección de trabajos
a ser modificados se aplicaron a los algoritmos IGS, NSP y Vir para llegar a
los algoritmos IG+, NSP+ y Vir+. Finalmente, se integró dentro de la fase de
búsquedas locales los algoritmos NSP y Vir limitándolos a una sola pasada y
sin permitir empeorar el Cmáx , manteniendo como modificador de la solución
el IG+, con lo que se obtuvo el algoritmo híbrido NVST-IG+.
Los resultados obtenidos por los algoritmos modificados mostraron unas me-
joras estadísticamente significativas y un distanciamiento claro sobre el estado
del arte en prácticamente todos los casos. El estudio se ha completado para
diversos intervalos de tiempos de parada de CPU que van desde los 5 segundos
hasta las 2 horas, lo cual unido al hecho de estudiar 7 intervalos diferentes, con
200 instancias por intervalo y a hacer las 5 réplicas correspondientes para los
algoritmos no deterministas, nos han llevado a superar los 4 años de tiempo de
CPU para realizar todas las pruebas hasta ahora reseñadas.
Pensamos que los resultados obtenidos hasta aquí son notablemente buenos
teniendo en cuenta la simplicidad de los algoritmos mostrados. Quedó patente
en nuestro estudio que habrá que tener en cuenta las distintas versiones CPLEX
tanto para este problema en particular como otros problemas que se puedan
abordar donde sea factible el empleo de CPLEX con buenos resultados.
Quedan pendientes ahora algunas cuestiones que abordaremos en el si-

guiente capítulo. Por una parte, hasta ahora hemos empleado técnicas conoci-
das, como las búsquedas locales e iterated greedy y hemos realizado algunas
variaciones novedosas como las búsquedas locales restringidas tipo NSP y Vir,
a las que hemos añadido una selección de trabajos a modificar dentro del IGS
de forma más inteligente que nos proporcionaron una algoritmo híbrido que
mejora con el tiempo. Pero se nos puede tachar de no emplear una técnica
realmente novedosa e igualmente de no emplear los modernos ordenadores con
varios núcleos con la posible paralelización de tareas. También puede quedar
la duda de si nuevas versiones de CPLEX serán capaces de superar cualquier
algoritmo que se presente para este problema, dada la inherente simplicidad
de su modelo matemático. Con estas cuestiones en mente y todo lo visto hasta
este momento, procedemos a atacar el problema desde un ángulo diferente.
CAPÍTULO
5
HEURÍSTICAS DE REDUCCIÓN DE TAMAÑO
En capítulos anteriores se han propuesto nuevos algoritmos para el pro-

blema de máquinas paralelas con el objetivo de minimizar el makespan. Los
experimentos llevados a cabo demuestran, en las condiciones probadas y con
las limitaciones esperables de cualquier experimento de este tipo, que los
algoritmos presentados pueden considerarse estado del arte. No obstante, como
ya planteábamos al final de anterior capítulo, quedaban algunas cuestiones que
abordar como el plantear unos algoritmos desde un punto de vista completa-
mente distinto. Esto es necesario a fin emplear métodos nuevos y complemen-
tar el trabajo realizado con técnicas conocidas, como las búsquedas locales
y el IG, a pesar de haber introducido las búsquedas restringidas y de hacer
hecho una hibridación del todo esto en el algoritmo NVST-IG+ con acierto
suficiente para superar al estado del arte. Además, la progresión de CPLEX a
la versión 11.1, que se anunciaba con un aumento significativo en la resolución
de problemas de asignación, nos hacía plantearnos si esta versión mejoraría
notablemente sus anteriores resultados. Quedaba pendiente, así mismo, la po-
sible paralelización del problema, dado que los modernos ordenadores suelen
169
170 CAPÍTULO 5. HEURÍSTICAS DE REDUCCIÓN DE TAMAÑO
poseer varios procesadores integrados, y las nuevas versiones de los solver

suelen estar adaptadas a esta circunstancia. Por todo ello, nos planteamos en
este parte de la Tesis, encontrar unos algoritmos basados en una reducción de
tamaño de problema de asignación original, con la idea de considerar, de entre
todas las posibles asignaciones de los trabajos a las máquinas, sólo unas pocas
de las mejores asignaciones.
5.1. Métodos propuestos

Recordemos que las soluciones de referencia para este problema vienen
dadas por el empleo de CPLEX 11.0 durante 2 horas con cada una de las 1.400
instancias pertenecientes a los 7 intervalos diferentes objeto de este estudio.
La tabla 5.1 nos vuelve a mostrar de nuevo los resultados de este estudio, en
el que hemos añadido el máximo gap o diferencia frente a la cota inferior y la
media del gap, para cada intervalo estudiado.
5.1. Métodos propuestos 171
n m U(1,100) U(10,100) U(100,200) U(100,120) U(1000,1100) jobcorre maqcorre Media
100 10 100 100 100 80 30 0 100 72,90

100 20 100 50 80 70 40 0 90 61,40
100 30 100 50 0 50 0 0 90 41,40
100 40 100 90 10 90 0 0 90 54,30
100 50 100 90 20 100 100 0 100 72,90
200 10 100 30 30 60 0 0 40 37,10
200 20 100 10 10 40 0 0 40 28,60
200 30 100 0 0 0 0 0 50 21,40
200 40 100 10 20 100 20 0 70 45,70
200 50 100 10 10 90 0 0 70 40,00
500 10 90 40 0 80 0 0 20 32,90
500 20 70 20 0 30 0 0 10 18,60
500 30 80 0 0 0 0 0 30 15,70
500 40 70 0 0 20 0 0 10 14,30
500 50 80 0 0 40 0 0 50 24,30
1000 10 80 20 0 100 0 60 0 37,10
1000 20 50 0 0 30 0 0 0 11,40
1000 30 70 0 0 0 0 0 10 11,40
1000 40 90 0 0 0 0 0 30 17,10
1000 50 80 0 0 0 0 0 50 18,60
Inst. resueltas 88 26 14 49 9,50 3 47,50 33,86

Máximo gap 3,70 7,84 7,13 5,09 7,14 8,66 1,64 5,89
Gap medio 1,25 1,33 1,02 0,68 0,77 1,49 0,47 1,00
U(x,y):Distribucion uniforme entre x e y; jobcorre:trabajos correlacionados; maqcorre:máquinas correlacionadas.
Tabla 5.1 – Tabla de instancias resueltas por CPLEX 11.0,

tras 2 horas como máximo con cada instancia, así como sus
medias, para todos los intervalos de tiempos de proceso.
Como se puede apreciar, cerca del 34 % de las instancias se pueden resol-

ver de forma óptima. A pesar de de no ser un gran número de ellas, dentro de
las instancias no resueltas, podemos apreciar que la media del gap es alrededor
del 1 %. No obstante, nos estamos refiriendo a resultados obtenidos tras dos
largas horas de tiempo de CPU. Además, para algunos grupos y tamaños de
instancias, el máximo gap llega a alcanzar valores próximos al 9 %. Aún más

sorprendente es encontrar que, en algunos casos, CPLEX puede resolver el
100 % de las instancias de hasta 200 × 50. Incluso nos podemos encontrar que
CPLEX es capaz de resolver, de forma óptima, algunas instancias 1000 × 50
(es decir, de 50.000 variables binarias) en dos horas de CPU. Este compor-
tamiento inesperadamente bueno de CPLEX se plantea como un verdadero
desafío contra el anterior estado del arte. Ya hemos visto como CPLEX era
muy competitivo (si no mejor) que los mejores métodos que existían en la
literatura hasta este momento. Solo los últimos algoritmos propuestos desban-
caban claramente el comportamiento de CPLEX.
Cuando se estudian las soluciones que se obtienen para las distintas instancias,
se observa, dentro de las distribuciones uniformes, la escasa variación de éstas
para cada grupo de instancias con el mismo número de trabajos y máquinas.
Por ejemplo, podemos observar que para 100 trabajos y 10 máquinas en la
distribución U(1,100), los valores del Cmáx de las 10 instancias generadas,
oscilan muy poco alrededor de 99. De hecho, hallamos una sencilla fórmu-
la empírica que nos permite hallar de forma aproximada el resultado de el
problema R//Cmáx para las distribuciones uniformes. Si consideramos una
distribución uniforme U (b, t) de tiempos de proceso pij , en una instancia de n
trabajos y m máquinas, la fórmula aproximada para obtener su Cmáx sería:
n n
Cmáx ≃ 2
· (t − b) + ·b (5.1)
m m
Se llega a esta fórmula tras observar, en el intervalo U(1,100), como existe

una relación directa entre el aumento en el número de trabajos y el aumento
del Cmáx y una relación inversa y exponencial con respecto al incremento en
el número de máquinas, todo ello multiplicado por un factor próximo al 100.
Esto nos dio el primer sumando de la ecuación. Cuando se amplió el estudio
al resto de intervalos uniformes, hubo que incluir un término corrector direc-
tamente proporcional al número de trabajos y a la cota inferior del intervalo, e

inversamente proporcional al número de máquinas. Se puede llegar fácilmente
a una fórmula aproximada para la solución del R//Cmáx para una distribución
uniforme, por que, entre otros motivos, para instancias muy grandes, la distri-
bución uniforme distribuye, de media, valores similares entre cada trabajo y
cada máquina.
Con todo, un análisis más detallado de los resultados nos lleva a constatar
un sorprendente detalle: la mayoría de los trabajos se asignan a las máquinas
que los procesan más rápido. Esto es predecible en tanto en cuanto nos encon-
tramos ante un problema de asignación. Sin embargo, lo sorprendente del caso
fue el constatar lo abrumadoramente consistente que resultó esta apreciación.
En la inmensa mayoría de las ocasiones, cada trabajo se asigna o bien a la
máquina más rápida para ese trabajo, o bien a la segunda más rápida, o bien a
la tercera más rápida. En otras palabras, de entre las n·m variables binarias del
modelo presentado en la sección 2.3, los trabajos generalmente se asignan a las
máquinas i1j , i2j o i3j donde i1j = argmini∈M pij , i2j = argmini∈M/i1j pij
e i3j = argmini∈M/i1j ,i2j pij , es decir, la máquina que hace mínima la
condición expuesta. Así pues, si los trabajos raramente se asignan a una má-
quina más lenta que las tres más rápidas, una pregunta acude rápidamente a
la mente ¿es necesario definir todas las restantes variables? Un modelo MILP
“reducido”, considerando solo estas “tres máquinas más rápidas” tendrá n · 3
variables binarias. Esto significa que si una instancia de 1000 × 50 necesita
50.000 variables binarias, usando solamente esas tres máquinas más rápidas
para cada trabajo, todo lo que necesitaremos serán 3.000 variables binarias, es
decir, 16,67 veces menos variables. Por supuesto, esta reducción de tamaño
tiene un alto precio. Lo primero es que la optimalidad de la solución no puede
garantizarse, dado que no se emplean todas las variables del problema. En
segundo lugar, esta reducción de tamaño directa no se espera que funcione
bien en todos los casos.
Veamos cómo de acertada es la hipótesis de las tres máquinas más rápidas. Para
cada una de las 1.400 instancias previas y para las soluciones de referencia
obtenidas por CPLEX con 2 horas de tiempo como criterio de terminación,
procedemos a contar cuántos de los trabajos que no se han asignando a ninguna
de las tres máquinas más rápidas, i1j , i2j ó i3j . Los resultados se muestran en la
tabla 5.2. Cada casilla de esta tabla representa el porcentaje de trabajos que en
una instancia no ha sido asignados a ninguna de las tres máquinas más rápidas
en la solución final de la mencionada referencia.
n m U (1, 100) U (10, 100) U (100, 200) U (100, 120) U (1000, 1100) jobcorre maqcorre
100 10 0,30 0,50 0,80 1,30 1,10 0,70 30,20
20 1,40 1,20 4,60 1,50 2,80 4,40 35,40
30 3,80 4,60 18,00 24,40 31,20 10,90 41,30
40 3,50 7,30 20,40 11,10 24,70 17,90 43,80
50 5,50 10,20 6,60 1,50 4,80 32,40 41,30
200 10 0,20 0,10 0,30 0,30 0,50 0,30 31,90
20 0,40 0,65 1,40 0,55 1,30 2,20 40,30
30 0,80 1,65 6,80 17,75 10,50 4,75 44,05
40 1,20 1,85 1,85 0,60 3,20 9,90 45,75
50 2,15 3,65 4,30 0,25 4,35 12,60 46,15
500 10 0,04 0,00 0,06 0,10 0,08 0,02 32,82
20 0,08 0,12 0,30 0,20 0,24 0,18 43,14
30 0,32 0,12 2,34 13,46 8,80 0,80 44,48
40 0,52 0,28 4,46 11,00 10,12 2,10 44,30
50 0,36 0,74 0,84 0,28 0,84 4,20 45,10
1000 10 0,02 0,01 0,00 0,02 0,02 0,00 29,66
20 0,04 0,02 0,19 0,13 0,12 0,06 37,65
30 0,05 0,09 0,74 1,78 12,57 0,25 39,84
40 0,13 0,09 0,29 0,16 0,17 0,86 46,67
50 0,20 0,11 0,45 0,10 0,22 1,33 45,14
Media( %) 1,05 1,66 3,74 4,32 5,88 5,29 40,45
Tabla 5.2 – Porcentaje de trabajos que no se asignan a

ninguna de las tres máquinas más rapidas i1j , i2j o i3j en
la solucion de referencia dada por IBM-ILOG CPLEX 11.0
con un tiempo límite de 2 horas.
En la tabla 5.2 podemos observar como en el intervalo donde los tiem-

pos de proceso están distribuidos al azar de forma uniforme en el intervalo

[1, 100], es decir, U (1, 100), solo el 1 % de los trabajos se asignan, de media,
a máquinas distintas a las tres más rápidas. Exceptuando la última columna,
la de máquinas correlacionadas, ningún intervalo excede el 6 %. Tomemos por
ejemplo la instancia más grande, 1000 × 50, y el intervalo U (1, 100). Podemos
comprobar como, sobre la media de estas 10 instancias, solo el 0,2 % de los
trabajos se asignan fuera del rango de las tres máquinas más rápidas. Esto
significa que solamente 2 trabajos, de los 1.000 que tiene cada una de las
instancias, son asignados a máquinas más lentas.
La última columna, la de máquinas correlacionadas, se observa claramente
como los trabajos no se asignan solo a las máquinas más rápidas, ya que, en
este tipo de intervalo, hay máquinas que son rápidas para todos los trabajos
y así, en las soluciones de referencia, no todos los trabajos acaban en las tres
máquinas más rápidas, ya que estas se sobrecargan rápidamente.
Con estos datos de la tabla 5.2, vemos factible que proponer un modelo
de reducción de tamaño considerando solo las tres máquinas más rápidas para
cada trabajo, puedan funcionar bien y proporcionar bajos valores de Cmáx .
Esto resulta ser cierto para la gran mayoría de los casos, como veremos en las
siguiente secciones.
5.1.1. Métodos de reducción de tamaño

En las secciones previas hemos expuesto como aparentemente no todas las
n · m variables binarias xij del modelo MILP son aparentemente necesarias
para alcanzar soluciones de alta calidad. Ahora presentamos algunos métodos
simples que nos permiten seleccionar un subgrupo de máquinas reducido para
cada trabajo antes de usar el solver. La primera aproximación es usar los k
mejores (menores) tiempos de proceso pij para cada trabajo, es decir, para
cada trabajo forzaremos a que solo estén disponibles las k máquinas más
rápidas para poder ser asignado. Nótese que nos referimos a las variables
binarias seleccionadas xij o a los valores pij indistintamente. En este caso,
los k · n valores más pequeños de pij se seleccionan. Llamamos a este método
de reducción de tamaño basado en los trabajos (job-based size reduction) o
kJB.
La tabla 5.3 muestra un ejemplo de 3JB para una instancia de 10 trabajos y 5
máquinas, donde los tres menores valores de pij se seleccionan dentro de cada
trabajo.
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10
M1 5 9 3 6 4 3 6 5 7 3
M2 8 9 7 6 6 4 5 1 1 4
M3 1 1 4 3 8 3 7 4 8 1
M4 2 8 3 4 2 3 1 7 1 6
M5 3 7 8 5 2 8 4 9 5 3
Tabla 5.3 – Ejemplo de valores de pij seleccionados por el

método 3JB de reducción de tamaño. En negrita los valores
seleccionados.
Como concluimos de la tabla 5.2, este método selecciona valores apropia-

dos en la mayoría de los casos pero es una mala elección para el intervalo
de máquinas correlacionadas. Por ello, probamos un método que selecciona
los pij entre las máquinas en lugar de entre los trabajos. Para ello, primero
calculamos la media teórica de trabajos que pueden asignarse a cada máquina,
a = n/m, y usamos el valor de a para determinar cuantos valores de pij
seleccionaremos de cada máquina. Sin embargo, algunas máquinas puede que
le correspondan en realidad más trabajos de los que la media teórica les otorga.
Para tener esto en cuenta, seleccionamos l · a valores de pij para cada máquina,
y el número total de valores seleccionados de pij con este método es entonces
de l · a · m. Denominamos a este método como reducción de tamaño basado
en máquinas (machine-based size reduction) o lM B en breve. Un ejemplo

de 2MB se puede observar en la tabla 5.4. Nótese que para este ejemplo
a = 10/5 = 2 y l = 2 por lo que en realidad, cuatro valores se seleccionan de
cada fila (máquina) de la tabla.
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10
M1 5 9 3 6 4 3 6 5 7 3
M2 8 9 7 6 6 4 5 1 1 4
M3 1 1 4 3 8 3 7 4 8 1
M4 2 8 3 4 2 3 1 7 1 6
M5 3 7 8 5 2 8 4 9 5 3
Tabla 5.4 – Ejemplo de valores seleccionados de pij por

el método de reducción de tamaño 2MB. En negrita los
valores seleccionados.
Hay un importante inconveniente en el método de reducción de tamaño

lM B. Dado que estamos seleccionando solo los menores valores de pij de
cada máquina (filas en la tabla 5.4), algunos trabajos pueden quedarse sin tener
ningún valor de pij seleccionado. Esto implicaría el llegar a una solución no
factible por parte del model MILP de reducción de tamaño, dado que habría
algún trabajo que no se realizaría. De hecho, este es el caso del trabajo J4 en el
ejemplo de la tabla 5.4. Una solución para este inconveniente es combinar los
métodos previamente comentados, es decir, kJB y lM B. Obviamente, mu-
chos de los valores seleccionados de pij serán los mismos en ambos métodos,
pero no todos. Por ejemplo, en la tabla 5.4 podemos observar que el valor
seleccionado p26 = 4 por el método 2MB no figura como seleccionado por el
método 3JB en la tabla 5.3.
Los métodos de reducción de tamaño expuestos hasta ahora son simples,

pero como podremos comprobar más tarde, producen buenos resultados. Sin
embargo, ya hemos visto como habían muchos métodos que eran muy efecti-
vos y eficientes para el problema de R//Cmáx y nos parecía plausible hacer
una selección de los menores valores de pij para la reducción de tamaño del
MILP después de observar las soluciones dadas por alguna heurística efectiva.
Para ello, seleccionamos la que hemos mostrado como mejor heurística para
este problema, el algoritmo NVST-IG+. En lo sucesivo, nos referiremos a
esta heurística como DIG, para abreviar (vecindario variable Descendente con
Iterated Greedy). Básicamente, lo que hacemos es ejecutar DIG durante una
cantidad muy breve de tiempo (5 segundos) y cada vez que alcance una nueva
solución en esos 5 segundos, los valores de pij se seleccionan, sin repetición,
para el modelo de reducción de tamaño del MILP. Podemos ver un ejemplo de
este método en la tabla 5.5 donde se muestra una solución obtenida por DIG
en una iteración.
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10
M1 5 9 3 6 4 3 6 5 7 3
M2 8 9 7 6 6 4 5 1 1 4
M3 1 1 4 3 8 3 7 4 8 1
M4 2 8 3 4 2 3 1 7 1 6
M5 3 7 8 5 2 8 4 9 5 3
Tabla 5.5 – Ejemplo de valores de pij seleccionados por

DIG para el método de reducción de tamaño. En negrita
los valores seleccionados.
También es posible mezclar DIG con los otros métodos de reducción de

tamaño, como por ejemplo kJB y DIG para obtener un método híbrido con
todos los valores de pij del método kJB más todos los valores de pij diferentes
obtenidos por DIG. Siguiendo con el ejemplo anterior, podemos observar que
el valor p11 = 5 procedente del método DIG de la tabla 5.5, no está presente
en los valores seleccionados por el método 3JB de la tabla 5.3.
5.1.2. Algoritmos serie de reducción de tamaño

Los métodos de reducción de tamaño previamente expuestos solo simpli-
fican el modelo MILP original pero no constituyen unos métodos de solución
por ellos mismos. Sin embargo, uniendo a estos métodos un solver como
CPLEX, ya obtendremos soluciones completas al problema. Por tanto, los
algoritmos de resolución contendrán dos fases: 1) reducción de tamaño de la
matriz original de pij o xij y 2) ejecutar CPLEX con esta matriz de reducción
de tamaño hasta que el tiempo predefinido de CPU dado como criterio de fina-
lización se alcance. Con este enfoque se proponen tres algoritmos de reducción
de tamaño:
1. El primer algoritmo consiste en emplear el método kJB, con k =

3, para obtener una matriz reducida, para entonces ejecutar CPLEX.
Denominaremos a este algoritmo de reducción de tamaño simplemente
como 3J.
2. Para el segundo algoritmo emplearemos una combinación de los mé-

todos de reducción de tamaño kJB y lM B con k = 3 y l = 2 para
posteriormente ejecutar CPLEX. A este algoritmo lo llamaremos 3J2M.
3. La combinación del método de reducción de tamaño kJB, con k = 3,

junto con el método de reducción de tamaño obtenido mediante DIG
nos proporcionan un nuevo algoritmo, denominado 3JD. Nótese que este
último algoritmo es más complicado que los anteriores al requerir de una
heurística como DIG para su desarrollo.
Llegados a este punto, cabe señalar que la solución óptima de CPLEX

obtenida durante la segunda fase es óptima para el problema de reducción de
tamaño, lo cual no implica que sea la solución óptima del problema original.
Los tres algoritmos previos pueden mejorarse de una forma significativa. Dado
que CPLEX se ejecuta para un problema de reducido tamaño, es muy probable
que sea capaz de encontrar una solución óptima a este problema reducido
antes que el tiempo de CPU predefinido como criterio de parada se alcance.

La mejora más lógica es por tanto iterar el algoritmo de reducción de tamaño
con más valores seleccionados de pij , es decir, repetir el algoritmo con una
matriz mayor de xij y seguir haciéndolo mientras quede tiempo. Esto nos
proporciona mayores matrices cada vez, aproximándonos al problema original.
Bastante diferente es el caso que se da cuando CPLEX emplea mucho tiempo
cerrando el árbol de búsqueda, probando la optimalidad pero sin realmente
mejorar la solución que ya ha obtenido. En estas circunstancias, tiene poco
sentido el malgastar un valioso tiempo de CPU. Parece más correcto parar
el solver durante la segunda fase, una vez haya trascurrido un pequeño lapso
de tiempo con respecto al total dado, y repetir el algoritmo de reducción de
tamaño con una matriz mayor de tiempos de xij . Con todo esto en mente se
propusieron dos nuevos algoritmos de reducción de tamaño adicionales:
4. Algoritmo de reducción de tamaño 2JDi. En el se emplea el método de

reducción de tamaño kJB empezando con k = 2, junto con el méto-
do de reducción basado en DIG, para posteriormente ejecutar CPLEX.
Cada vez que CPLEX finaliza y el tiempo dado como criterio de termi-
nación no se ha alcanzado, k se incrementa en 1, los nuevos valores de
pij se añaden y CPLEX se ejecuta otra vez. Nótese que el método de
reducción de tamaño basado en DIG solo se ejecuta una vez, durante la
primera iteración.
5. Algoritmo de reducción de tamaño 2JDi(90). Es similar al algoritmo

2JDi con la única diferencia de que cada vez que se ejecuta CPLEX,
se le da un máximo de 90 segundos de tiempo de CPU, que una vez
alcanzado, se aumenta k en 1 y tras añadir los nuevos valores de pij ,
CPLEX se ejecuta de nuevo.
Nótese que los 90 segundos de tiempo límite de CPU para 2JDi(90),

procede de una calibración previa para 30, 60, 90 y 120 segundos. Así los
valores de k y l en los algoritmos previamente propuestos se han obtenido
después de realizar una serie de experimentos donde se han hecho variar estos
parámetros hasta encontrar los valores más adecuados para cada algoritmo.
5.1.3. Algoritmos paralelos de reducción de tamaño

Hoy en día, los ordenadores suelen tener más de un procesador integrado
en el mismo chip, es decir, los conocidos como multi-core o multi-núcleo. En
el momento de escribir estas líneas, hay en el mercado ordenadores de hasta
6 cores físicos en el mismo chip. Este incremento de la potencia disponible
se usa por solvers potentes como CPLEX, el cual es capaz de funcionar en
modo paralelo cuando hay varios cores o procesadores disponibles. Por ello,
proponemos unos sencillos algoritmos paralelos basados en los algoritmos
anteriormente expuestos de reducción de tamaño.
La más sencilla aproximación a la paralelización consiste en ejecutar tantas
veces los algoritmos de reducción de tamaño como cores hayan disponibles y
quedarse con la mejor solución obtenida al final, es decir, no hay comunicación
entre las diferentes replicas de los algoritmos ejecutados. Esta aproximación
mediante “fuerza bruta” podría ser el más simple empleo de un método multi-
core. Hasta ahora, el mejor algoritmo propuesto, NVST-IG+ (DIG), se ha desa-
rrollado en su versión serie. Aquí probaremos una versión multi-core de DIG
que hemos denominado M-DIG (multicore DIG) la cual básicamente consiste
en ejecutar varios algoritmos DIG, tantas veces como cores disponibles.
Para los algoritmos de reducción de tamaño, se proponen versiones para

su uso de forma paralela también muy simples. Más específicamente, propo-
nemos la versión 2JDi(90) como M-2JDi(90). El funcionamiento básico de
esta versión paralelo es sencillo. Imaginemos por ejemplo un procesador con
dos cores, entonces, M-2JDi(90) se lanza en el core 1 y M-3JDi(90) se lanza
en el core 2, es decir, cada core esta trabajando con una matriz diferente de xij
procedente del algoritmo de reducción de tamaño. Al primer core que finalice,
se le asigna la siguiente matriz de reducción de tamaño, es decir M-4JDi(90).
El proceso continúa hasta que se alcanza el criterio de parada. Nótese que no se

han propuesto versiones en paralelo para los algoritmos 3J, 3J2M, 3JD o 2JDi
ya que 2JDi(90) domina claramente al resto como mostraremos más tarde.
5.2. Implementación de los métodos propuestos

De nuevo emplearemos el conjunto de las 1.400 instancias, repartidas en
los consabidos 7 intervalos, que venimos empleando a lo largo de esta Tesis
Doctoral. Como ya se ha indicado con anterioridad, el estudio del comporta-
miento de los algoritmos en su formato paralelo entra dentro de los resultados
a considerar en esta parte de la Tesis Doctoral, por lo que el cluster de orde-
nadores empleado en la primera parte del trabajo, al ser mono-núcleo, no nos
permitía realizar las pruebas pertinentes, así que se migró, para realizar todas
las pruebas de esta parte de la Tesis Doctoral, a un cluster de 12 ordenadores
PC/AT con procesadores Intel Core 2 Duo E6600, con 2.4GHz y 2 GB de
memoria RAM bajo el sistema operativo Windows XP SP3. Cada procesador
contiene dos cores. Llegados a este punto, debemos hacer especial mención a
IBM-ILOG CPLEX. Hasta ahora habíamos empleado la versión serie 11.0 en
unos ordenadores bastante más antiguos. En esta parte de la Tesis, probaremos
la versión de CPLEX 11.1, tanto en su faceta serie como paralela, en unos
ordenadores mucho más modernos, los arriba comentados. Nótese que es un
pequeño cambio de version, pero que se anunciaba como una gran mejora
para los problemas de asignación; ello unido al cambio de ordenadores, hizo
que ambos cambios redundaran en un mejor comportamiento de CPLEX. En
cuanto al tiempo de CPU, todos los métodos algoritmos de reducción de tama-
ño, el algoritmo DIG y CPLEX se paran después de un determinado lapso de
tiempo de CPU. Se fijó este tiempo en 15 segundos como referencia, ya que, tal
como se explicó, este es el tiempo que necesita CPLEX para resolver todas las
instancias de 100 trabajos en el intervalo U (1, 100). No obstante, se hicieron
también pruebas para 30, 60, 120, 240 y 300 segundos. Los nuevos algoritmos
aquí propuestos se codificaron igualmente en Delphi 2007 y se compilaron con

la opción de optimización activada. Todas las calibraciones de estos nuevos
algoritmos se llevaron a cabo en el intervalo U (1, 100) y para un subconjunto
de instancias. La calibración para todos los intervalos e instancias seguramente
mejoraría los resultados, pero no se hicieron posteriores calibraciones para
evitar un sobre ajuste en los resultados.

El análisis computacional está dividido entre los métodos serie y paralelo.
más específicamente, hemos llevado a cabo unos exhaustivos análisis compu-
tacionales y estadísticos para evaluar el comportamiento de los diferentes
algoritmos. Empezaremos nuestro estudio con CPLEX (forzado a usar un solo
núcleo), DIG (el mejor algoritmo propuesto hasta ahora), 3J, 3J2M, 3JD, 2JDi
y 2JDi(90) como se definieron en secciones anteriores. Todos estos algoritmos
son en serie y usan un solo núcleo en la CPU. Dado que todos los métodos
están codificados en el mismo lenguaje de programación (excepto CPLEX),
ejecutados en los mismos ordenadores, con las mismas características e ins-
tancias y con el mismo tiempo de CPU, creemos que todos los resultados
son totalmente comparables. Posteriormente, presentamos los resultados de
los algoritmos paralelos representados por M-DIG, M-2JDi(90) y M-CPLEX
usando todos los cores disponibles (2). De nuevo, los datos vendrán dados
por la desviación porcentual relativa (RPD, siglas en inglés) con respecto a la
referencia, que recordemos son los resultados obtenidos por CPLEX con hasta
2 horas con cada instancia.
Después de mostrar los resultados, llevamos a cabo un análisis estadístico

para probar en profundidad la significación estadística de las medias obtenidas.
Usaremos un test estadístico para garantizar que las diferencias observadas en
las medias son estadísticamente significativas. Llevaremos a cabo de nuevo
un Diseño de Experimentos donde estudiaremos un factor, es decir, el tipo de

algoritmo a siete niveles para el caso serie y a tres niveles para el caso paralelo.
La variable de respuesta es la desviación porcentual relativa. Tomamos todos
los resultados anteriores en los que se considera cada caso. En el caso serie,
hay 1.400 instancias y siete algoritmos, lo cual nos lleva a 9.800 observaciones.
Para el caso paralelo, solo hay tres algoritmos, lo que hace un total de 4.200
observaciones. Este número de observaciones se realiza para cada uno de los
tiempos de parada. Llevamos a cabo seis ejecuciones independientes de todos
los métodos para los tiempos de parada de 15, 30, 60, 120, 240 y 300 segundos.
Como resultado, el elevado número de observaciones para el caso serie se
llega hasta 57.600 y hasta 25.200 para el caso paralelo. El resultado del DOE
se analiza por medio de la técnica de factor único del Análisis de Varianza.
Se comprobaron las tres principales hipótesis del ANOVA: normalidad, ho-
mocedasticidad e independencia de los residuos. Con tan elevado número de
resultados, los residuos del ANOVA fácilmente satisfacen las tres hipótesis.
Se exponen aquí solo los resúmenes de los resultados o alguna tabla

específica por su singular importancia. No obstante, se puede consultar todas
las tablas y ANOVAS de forma más detallada en el anexo D.
5.3.1. Resultados de los algoritmos serie

La primera prueba se ha hecho con el mejor algoritmo testado hasta el
momento, DIG y la nueva versión de CPLEX 11.1. Los comparamos con los
primeros algoritmos propuestos, los sencillos 3J y 3J2M. La tabla 5.6 muestra
los resultados obtenidos de la desviación porcentual relativa promediada para
todos los intervalos excepto las máquinas correlacionadas, es decir, la media
de 1.200 resultados. Los diferentes tiempos de parada se muestran como filas.
No se ha incluido el intervalo de máquinas correlacionadas dado que, como se
mostró en la tabla 5.2, para este intervalo la estrategia de 3J da unos pobres
resultados, tal y como se esperaba. Por tanto, estos resultados se deben tomar
como una primera aproximación.
Tiempo (seg.) CPLEX DIG 3J 3J2M

15 0,59 0,42 0,52 0,48
30 0,41 0,34 0,43 0,37
60 0,26 0,29 0,38 0,32
120 0,15 0,22 0,34 0,28
240 0,09 0,17 0,30 0,24
300 0,07 0,16 0,28 0,22
Tabla 5.6 – Desviación porcentual relativa media para

todos los intervalos excepto máquinas correlacionadas para
CPLEX, DIG, 3J y 3J2M.
El primer resultado destacable es que el rendimiento de CPLEX se ha

incrementado de forma significativa respecto a los resultados anteriormente
expuestos. Esto es debido tanto a la nueva versión 11.1 como a que los or-
denadores usados son más rápidos. No obstante, podemos observar como DIG
sigue mejorando los resultados de CPLEX hasta los 30 segundos, mientras que
antes, cuando consideramos CPLEX 11.0 y el antiguo grupo de ordenadores, lo
superaba hasta los 60 segundos. La conclusión a la que puede llegarse es que
la nueva versión de CPLEX hace un uso mucho más efectivo de los nuevos
ordenadores más rápidos.
Los primeros dos algoritmos de reducción de tamaño propuestos, a pesar de
su sencillez, resultan bastante competitivos. Para tiempos de CPU más largos,
es de esperar que CPLEX de mejores resultados, dado que CPLEX resuelve el
problema completo, pero nótese como para los tiempos más breves de CPU,
es decir, para 15 y 30 segundos, 3J2M mejora los resultados de CPLEX. La
tabla 5.7 muestra con más detalle los resultados de los otros tres algoritmos de
reducción de tamaño propuestos: 3JD, 2JDi y 2JDi(90) junto a los resultados
de DIG y CPLEX.
Los resultados de la tabla 5.7 muestran que, de media (columna más

a la derecha) todos los algoritmos propuestos producen mejores resultados

que los mejores resultados conocidos y para todos los tiempos de parada
considerados. Esta tabla incluso muestra valores negativos por lo que los
algoritmos, para estos casos, proporcionan mejores valores que los dados como
referencia (CPLEX 11.0 con hasta dos horas con cada instancia). No obstante,
se puede observar como en el intervalo U (1, 100), CPLEX proporciona buenos
resultados para los tiempos de parada más largos, mejorando a 3JD e incluso
a 2JDi pero sin alcanzar los valores obtenidos por 2JDi(90). En general,
cuando el tiempo de parada excede al valor dado para la calibración del
algoritmo 2JDi(90), que son 90 segundos, se puede apreciar como el algoritmo
2JDi(90) alcanza mejores valores que su versión más simple representada por
el algoritmo 2JDi donde la parte del solver no se detiene. Podemos apreciar
como CPLEX da pobres resultados para trabajos correlacionados y buenos
resultados en el caso de máquinas correlacionadas, único caso este último en
donde CPLEX puede superar al mejor algoritmo propuesto para los tiempos
de parada más grandes. Sólo podemos decir que esto no puede atribuirse
fácilmente a algo en concreto, debido a la estructura desconocida del algoritmo
específico que está usando CPLEX para este problema de asignación. En
cualquier caso, CPLEX tiene una dependencia del tipo de instancia al que se
enfrenta, y se muestra menos robusto que los algoritmos propuestos.
Tiempo Algoritmos U (1, 100) U (10, 100) Jobcorre Maqcorre U (100, 200) U (100, 120) U (1000, 1100) Media
15 CPLEX 0,82 0,70 1,33 0,48 0,55 0,09 0,05 0,58

DIG 1,07 0,62 0,45 0,53 0,29 0,04 0,02 0,43
3JD 0,49 0,17 0,24 0,24 0,13 0,01 0,00 0,18
2JDi 0,44 0,17 0,24 0,22 0,13 0,01 0,00 0,17
2JDi(90) 0,44 0,17 0,24 0,22 0,13 0,01 0,00 0,17
30 CPLEX 0,56 0,47 0,93 0,30 0,37 0,06 0,04 0,39

DIG 0,93 0,49 0,35 0,50 0,25 0,04 0,01 0,36
3JD 0,37 0,08 0,13 0,23 0,11 0,01 0,00 0,13
2JDi 0,27 0,07 0,11 0,19 0,10 0,00 0,00 0,11
2JDi(90) 0,27 0,07 0,11 0,19 0,10 0,00 0,00 0,11
60 CPLEX 0,33 0,25 0,65 0,16 0,25 0,04 0,03 0,25

DIG 0,83 0,39 0,25 0,47 0,21 0,03 0,01 0,31
3JD 0,33 0,03 0,00 0,22 0,09 0,01 0,00 0,10
2JDi 0,19 0,01 -0,01 0,17 0,08 0,00 0,00 0,06
2JDi(90) 0,19 0,01 -0,01 0,17 0,08 0,00 0,00 0,06
120 CPLEX 0,17 0,10 0,45 0,09 0,13 0,03 0,02 0,14
DIG 0,75 0,24 0,14 0,42 0,17 0,02 0,00 0,25
3JD 0,31 0,01 -0,09 0,22 0,08 0,00 0,00 0,08
2JDi 0,15 -0,06 -0,11 0,16 0,06 0,00 0,00 0,03
2JDi(90) 0,06 -0,07 -0,10 0,15 0,05 0,00 0,00 0,01
240 CPLEX 0,08 0,05 0,33 0,04 0,06 0,02 0,01 0,09
DIG 0,63 0,17 0,06 0,37 0,14 0,02 0,00 0,20
3JD 0,26 -0,02 -0,13 0,22 0,07 0,00 0,00 0,06
2JDi 0,10 -0,09 -0,16 0,15 0,06 0,00 0,00 0,01
2JDi(90) -0,02 -0,14 -0,15 0,11 0,02 -0,01 -0,01 -0,03
300 CPLEX 0,06 0,02 0,29 0,03 0,04 0,01 0,01 0,07
DIG 0,63 0,14 0,03 0,36 0,13 0,02 0,00 0,19
3JD 0,24 -0,07 -0,17 0,21 0,03 0,00 0,00 0,03
2JDi 0,08 -0,11 -0,19 0,14 0,02 0,00 0,00 -0,01
2JDi(90) -0,03 -0,14 -0,17 0,10 0,00 -0,01 -0,01 -0,04

los algoritmos serie CPLEX, DIG, 3JD, 2JDi y 2JDi(90)
con diferentes tiempos de CPU como criterio de parada.
En negrita (cursiva) se representan los mejores (peores)
valores, respectivamente.
Coma ya hemos comentado en otras secciones, todas las tablas anterior-

mente expuestas representan las medias de los resultados obtenidos. Ahora
lo que precisamos es llevar a cabo una prueba estadística tipo ANOVA para
comprobar que las diferencias observadas en esas medias son estadísticamente
significativas. La figura 5.1 muestra tanto la media como los intervalos de
confianza Tukey HSD de un 95 % para todos los intervalos con 120 segundos
como criterio de parada. Este tiempo permite a CPLEX alcazar unos buenos
resultados a la par que le permite al algoritmo 2JDi(90) alcanzar el tiempo
de calibración (90 segundos). Recordemos que cuando los intervalos se sola-
pan indica que no existen diferencias significativas en los algoritmos que se
estudian. Podemos observar como CPLEX, para esta cantidad de tiempo, es
capaz de superar a DIG de una forma significativa. Por otra parte, los tres
algoritmos de reducción de tamaño propuestos, pueden considerarse el nuevo
estado del arte, a pesar de que hay algunos solapamientos entre ellos. 2JDi(90)
es estadísticamente mejor que 3JD pero 2JDi es equivalente a los otros dos.
Para más detalles y otros tiempos, puede consultarse el anexo D donde se
muestra el comportamiento para todos los casos.

0,28
0,23
0,18
RPD
0,13
0,08
0,03
-0,02
DIG
2JDi
2JDi(90)
CPLEX
3JD
Figura 5.1 – Gráfico de los algoritmos serie para todas las

instancias y 120 segundos de tiempo de parada
5.3.2. Resultado de los algoritmos paralelos

Procedemos ahora a probar el algoritmo M-2JDi(90), versión paralela del
algoritmo 2JDi(90), junto con las versiones paralelas de DIG y CPLEX (que
denominamos M-DIG y M-CPLEX, respectivamente). Los resultados se mues-
tran en la tabla 5.8. Todos los algoritmos paralelos mejoran a sus versiones
serie si se comparan estos resultados con los dados en la tabla 5.7. Recorde-
mos que solo se han usado dos cores y que probablemente estos resultados
mejorasen si se emplearan cuatro, seis o incluso ocho cores. Podemos ver
como, de media, los algoritmos propuestos de reducción de tamaño producen
mejores resultados que los otros algoritmos. M-DIG da mejores resultados que
M-CPLEX para los tiempos más cortos de CPU y la situación se invierte para
los tiempos más largos. De modo similar al caso serie, el algoritmo M-2JDi(90)
consigue mejores resultados en todos los casos y para todos los tiempos excep-
to para máquinas correlacionadas, donde M-CPLEX tiene mejores resultados
aunque solo para los tiempos de CPU más largos. M-CPLEX también presenta
unos pobres resultados para el intervalo de trabajos correlacionados, como en

el caso serie.
Tiempo Algoritmos U (1, 100) U (10, 100) Jobcorre Maqcorre U (100, 200) U (100, 120) U (1000, 1100) media
15 M-CPLEX 0,66 0,63 1,33 0,37 0,40 0,07 0,04 0,50

M-DIG 0,91 0,51 0,35 0,48 0,26 0,03 0,02 0,37
M-2JDi(90) 0,42 0,10 0,18 0,20 0,11 0,00 0,00 0,15
30 M-CPLEX 0,41 0,33 0,99 0,20 0,29 0,05 0,03 0,33

M-DIG 0,86 0,41 0,24 0,45 0,21 0,03 0,01 0,32
M-2JDi(90) 0,18 -0,01 0,03 0,16 0,08 0,00 0,00 0,06
60 M-CPLEX 0,30 0,18 0,74 0,09 0,15 0,03 0,02 0,22

M-DIG 0,70 0,31 0,16 0,42 0,18 0,02 0,01 0,26
M-2JDi(90) 0,10 -0,07 -0,07 0,14 0,06 0,00 0,00 0,02
120 M-CPLEX 0,23 0,11 0,60 0,04 0,08 0,03 0,01 0,16
M-DIG 0,62 0,18 0,07 0,40 0,14 0,02 0,00 0,20
M-2JDi(90) -0,02 -0,14 -0,14 0,12 0,02 -0,01 -0,01 -0,03
240 M-CPLEX 0,16 0,04 0,47 0,02 0,04 0,01 0,00 0,11
M-DIG 0,57 0,11 -0,01 0,34 0,11 0,01 0,00 0,16
M-2JDi(90) -0,03 -0,16 -0,19 0,07 0,00 -0,01 -0,01 -0,05
300 M-CPLEX 0,08 -0,02 0,35 0,01 0,02 0,01 0,00 0,06
M-DIG 0,56 0,08 -0,04 0,34 0,10 0,01 -0,00 0,15
M-2JDi(90) -0,03 -0,17 -0,20 0,05 -0,01 -0,01 -0,01 -0,05

los algoritmos paralelo M-CPLEX, M-DIG y M-2JDi(90)
con diferentes tiempos de CPU como criterio de parada.
En negrita (cursiva) se representan los mejores (peores)
valores, respectivamente.
La figura 5.2 muestra el gráfico de interacción entre el tiempo de parada y

los algoritmos paralelos. Nótese que se ha usado un ANOVA de dos factores
en este caso. Este gráfico de ANOVA nos permite ver como M-DIG es signifi-
cativamente mejor que M-CPLEX para 15 segundos de tiempo de parada. Para
30 segundos son estadísticamente equivalentes y la situación se mantiene hasta
los 300 segundos, cuando finalmente M-CPLEX mejora de forma significativa
los valores de M-DIG. En todos los casos, el algoritmo propuesto de reducción

de tamaño M-2JDi(90), muestra valores estadísticamente mejores que los otros
dos algoritmos, por un amplio margen.

0,7
Algoritmos
M-CPLEX
0,5 M-DIG
M-2JDi(90)
RPD
0,3
0,1
-0,1
15 30 60 120 240 300 seg.
Figura 5.2 – Gráfico para la interacción entre el tiempo de

parada y los algoritmos paralelos probados, para todas las
instancias e intervalos.
Finalmente, presentamos en la figura 5.3 una comparativa entre los algorit-

mos serie y paralelo. Los intervalos de confianza se han quitado para mejorar
la legibilidad del gráfico. Como se puede apreciar, las versiones paralelo mues-
tran la mayoría del tiempo mejores resultados que sus equivalentes versiones
serie. Tal y como cabría esperar, para largos periodos de tiempo de CPU, la
mayoría de los algoritmos empiezan a converger y la ventaja de los algoritmos
paralelos disminuye.

0,74
Algoritmos
CPLEX
M-CPLEX
0,54 DIG
M-DIG
2JDi(90)
RPD
0,34 M-2JDi(90)
0,14
-0,06
15 30 60 120 240 300 seg.
Figura 5.3 – Algoritmos paralelos frente a serie: gráfico

de medias para todas las instancias e intervalos y todos los
tiempos de parada.
5.4. Resumen de algoritmos de reducción de tamaño

En esta parte de la Tesis Doctoral hemos propuesto nuevos métodos y
algoritmos de reducción de tamaño para el problema que nos atañe: máquinas
paralelas no relacionadas con el objetivo de reducir el makespan o R//Cmáx .
Los métodos expuestos son muy simples y están basados en la idea de reducir
la posible asignación de trabajos a las máquinas a solo las asignaciones más
prometedoras. El problema reducido entonces se resuelve con la ayuda de
un solver comercial, el cual, para este capítulo, ha sido IBM-ILOG CPLEX
versión 11.1.
Se ha hecho una comparativa con los mejores métodos que había has-
5.4. Resumen de algoritmos de reducción de tamaño 193
ta ahora, identificados como IBM-ILOG CPLEX 11.1 y DIG, tanto en sus

versiones serie como paralelo. Los algoritmos propuestos mejoraron a estos
anteriores mejores métodos en una extensa serie de pruebas computacionales y
estadísticas tanto en el caso serie como en el paralelo. Más específicamente, la
versión paralela del mejor algoritmo propuesto, M-2JDi(90), obtiene, en solo
15 segundos de tiempo de CPU, una desviación porcentual media, respecto a
la mejor cota inferior obtenida para cada instancia por el solver, de solo un
0,63 % entre las 1.400 instancias, que llegan a un tamaño de 1000 trabajos y
50 máquinas. Nótese que estos resultados son con respecto a la cota inferior,
no contra la mejor solución conocida como referencia mostrada en la tabla 5.8
en cuyo caso es de un 0,37 %. Esto significa que, en el peor de los casos, 15
segundos son suficientes para alcanzar una desviación media inferior al 1 %.
Con estos resultados, consideramos que estamos muy cerca de la resolución
efectiva del problema R//Cmáx dado lo próximo que se está de alcanzar los
resultados óptimos incluso para instancias de tamaño considerable.
CAPÍTULO
6
MÁQUINAS OPCIONALES Y SELECCIÓN DE
TRABAJOS
Hasta ahora solo se ha tratado el problema de máquinas paralelas bajo las

condiciones de que todas las máquinas están disponibles y todos los trabajos
han de realizarse. A partir de este punto, abordaremos un nuevo problema. Este
nuevo problema consiste en una relajación del R//Cmáx en el que no se van a
usar todas las máquinas o no se van a realizar todos los trabajos, es decir, el uso
de todas las m máquinas disponibles es opcional y se relaja la restricción de
que todos los n trabajos deben secuenciarse, por lo que se permite la selección
de los trabajos.
La justificación de este nuevo problema puede venir dada por varios mo-
tivos. Uno es la visión estratégica de la adquisición, venta o parada de una
o de varias máquinas. Sabiendo los trabajos a realizar, se puede modelizar
el problema con un número determinado de máquinas e indicar el límite de
máquinas a emplear. Así por ejemplo, si queremos adquirir 3 máquinas nuevas
y en el mercado existen 5 modelos distintos, no tenemos más que modelizar
195
196 CAPÍTULO 6. MÁQUINAS OPCIONALES/SELECCIÓN TRABAJOS
3 máquinas de cada modelo (5 × 3 = 15) e indicar que solo se emplearán

3 máquinas. La resolución del problema nos indicará qué 3 máquinas son las
óptimas para realizar las tareas encomendadas. Igualmente, se puede hacer
la comparativa para averiguar qué máquinas vender o parar, ya que se pue-
de realizar el modelo de forma que nos indique que máquinas de las que
actualmente disponemos, debemos dejar de usar. También nos servirá para
saber qué máquinas arrendar, para los casos de necesitar más máquinas por
un incremento de nuestra producción, o subarrendar en el caso de querer ceder
el uso de parte de nuestras máquinas a un tercero. También se puede necesitar
solucionar este tipo de problemas si nos vemos forzados a dejar, por seguridad
o por reserva, algunas máquinas (léase por máquinas también puertas de acce-
so/salida, ordenadores de una red o clúster, procesadores disponibles, etc). En
cuanto a los trabajos, podemos igualmente establecer que trabajos realizar y
cuales no realizar, por motivos tan diversos como descentralizar la realización
de los mismos o selección de productos más rentables.
Existen estudios que tratan temas similares, como los problemas de JIT
(Just in Time) que tienen cierto parecido a los problemas de no realizar todos
los trabajos o selección de trabajos. No obstante, existen diferencias funda-
mentales con estos problemas, ya que en los problemas JIT viene limitado
el número de trabajos por cumplir una fecha límite, mientras que en nuestro
caso, la limitación de trabajos puede estar forzada a un número determinado
de trabajos fijos a realizar o a dejar de realizar. Igualmente, se podría examinar
como problema ligeramente similar al de no usar todas las máquinas o máqui-
nas opcionales aquellos de máquinas que se detienen para mantenimiento y/o
por rotura, pero en nuestro caso, podemos estar marcando un número fijo de
máquinas que se van a dejar de usar. Por último, han aparecido recientemente
artículos como los de Chen y Li (2008), Finke et al. (2009) o Kravchenko y
Werner (2009), pero en ellos se trata de máquinas idénticas o tiempos idénticos
y se buscan diferentes objetivos o se tienen distintas restricciones. Por todo
6.1. Modelos matemáticos, restricciones y limitaciones 197
ello, nos encontramos que nuestro caso apenas ha sido tratado en la literatura.
El problema a tratar es una ampliación al conocido de máquinas paralelas

no relacionadas con el objetivo de minimizar el Cmáx , sujeto a las restricciones
de poder limitar el número de trabajos o de máquinas. El problema puede
ampliarse aún más haciéndolo multiobjetivo aunque excede a lo pretendido en
esta Tesis Doctoral, en la cual nos limitaremos al objetivo único de minimizar
el Cmáx sujeto a limitar el número de máquinas o de trabajos. No obstante,
haremos un planteamiento inicial del problema multiobjetivo para futuras in-
vestigaciones.
En primer lugar expondremos la modelización del problema, con las res-

tricciones más habituales y las limitaciones que encierra este planteamiento.
Seguidamente, continuaremos con el estudio de no emplear todas las máqui-
nas, para finalizar adentrándonos en el campo de no realizar todos los trabajos.
6.1. Modelos matemáticos, restricciones y limitaciones

En la presente sección estudiaremos los modelos matemáticos, así como
las restricciones que les afectan y las limitaciones a las que están sujetos.
6.1.1. Modelos matemáticos

Vamos a detallar como son unos posibles modelos matemáticos para los
problemas de minimizar el Cmáx , minimizar el número de trabajos no realiza-
dos y minimizar el número de máquinas empleadas.
Partimos del modelo de programación lineal entera mixta para el problema

de partida de secuenciación en máquinas paralelas no relacionadas o R//Cmáx
ya explicado en la sección 2.3:
mı́n Cmáx (6.1)
∑
m
xij = 1 ∀j ∈ N (6.2)
i=1
∑
n
pij · xij ≤ Cmáx ∀i ∈ M (6.3)
j=1
Donde xij es una variable de naturaleza binaria que toma el valor 1 si el

trabajo j se asigna a la máquina i y 0 en caso contrario. Las restricciones (6.2)
aseguran que todos los trabajos quedan asignados a exactamente una única
máquina. El grupo de restricciones (6.3) asigna el valor de Cmáx , que no puede
ser inferior a ningún Ci de las máquinas.
El modelo anterior se modifica de manera sencilla para el caso de máquinas
opcionales como sigue:
∑
n
xij ≤ n · zi ∀i ∈ M (6.4)
j=1
Siendo zi una variable de naturaleza binaria que toma el valor 1 si la

máquina i se usa y 0 en caso contrario. Solo restaría el añadir el número
máximo de máquinas a no utilizar, número que denotaremos como Z, para
tener completo el problema donde existen máquinas opcionales. Este problema
lo denominaremos como “Not all machines ” o NAM de forma abreviada.
La modificación para considerar la extensión de selección de trabajos es la
siguiente:
∑
m
xij = hj ∀j ∈ N (6.5)
i=1
Siendo hj una variable de nuevo binaria que toma el valor 1 si el trabajo j

se procesa y 0 en caso contrario. El grupo de restricciones (6.5) sustituiría al
anterior (6.2) en el caso de existir selección de trabajos. Añadiendo un número

mínimo de trabajos a realizar, que denotamos por H, tendríamos la formu-
lación completa para el problema de selección de trabajos que denominamos
como “Not all jobs ” o NAJ.
Como objetivos alternativos y/o complementarios a minimizar el Cmáx ,
estarían los de minimizar el número de máquinas empleadas y/o el número de
trabajos no realizados, tal y como se muestra en los objetivos siguientes (6.6)
y (6.7). El trabajar con estos objetivos conjuntamente con el de Cmáx queda
fuera del ámbito del presente trabajo, donde nos centraremos en un tanto por
cien de máquinas sin usar o de trabajos que se dejan de realizar.
∑
m
mı́n zi (6.6)
i=1
∑
n
mı́n n − hj (6.7)
j=1
6.1.2. Restricciones más habituales

Procedemos a comentar alguna de las restricciones que más habitualmente
se podrían dar. En cuanto al número de trabajos a realizar, se pueden restringir
tanto el mínimo de trabajos a realizar como el máximo de ellos, según:
∑
n
a≤ hj ≤ b (6.8)
j=1
Donde a = número mínimo de trabajos a realizar y b = número máximo de

trabajos a realizar. En el caso de a = b = n, siendo n el número total de
trabajos, se realizarían todos los trabajos.
En cuanto al número de máquinas se pueden restringir tanto el mínimo de
máquinas a emplear como el máximo de ellas, según:
∑
m
c≤ zi ≤ d (6.9)
i=1
Donde c = número mínimo de máquinas a usar y d = número máximo de

máquinas a usar. En el caso de c = d = m, siendo m el número total de
máquinas, se emplearían todas las máquinas.
Por último, en cuanto a limitaciones del Cmáx podríamos limitar el tiempo
del Cmáx a un límite temporal fijo, haciendo:
Cmáx ≤ t; (6.10)
Donde t= límite temporal. Igualmente, podemos realizar cálculos sobre una

medida del Cmáx ya hallada, haciendo que la limitación temporal venga dada
por:
∗ ∗
t = Cmáx ± % Cmáx ; (6.11)
Siendo t= límite temporal. Donde Cmáx ∗ representa el Cmáx óptimo obtenido

previamente. El signo + de la ecuación nos sirve para permitir un empeora-
miento del Cmáx , en el caso de utilizar menos máquinas y el signo - para buscar
una mejora en el Cmáx en el caso de hacer menos trabajos.
6.1.3. Limitaciones de los modelos

Si se analizan las distintas opciones de agregar restricciones y añadir más
de un objetivo, nos encontramos con una serie de limitaciones que vienen
dadas por el mismo modelo, dependiendo de la combinación de restricciones y
de los objetivos a buscar. Según los objetivos, las limitaciones de los modelos
son las siguientes:
1. Objetivo único: minimizar el número de máquinas (min). Si no se limita

nada más, no usará ninguna máquina, pero no se haría ningún trabajo.
Si, además de limitar el número de máquinas, se limita solo el Cmáx = t

como máximo, tampoco hará ningún trabajo, con lo que se emplearían
cero máquinas (min) y el Cmáx será cero. Si, además de limitar el
número de máquinas, se limita solo el número de trabajos mínimos a
hacer, los hará todos en una sola máquina, minimizando el número de
máquinas a una, pero haciendo un Cmáx muy elevado. Por tanto, para
conseguir una minimización en el número de máquinas, debemos dar un
número de trabajos a realizar y un tiempo de Cmáx máximo.
2. Objetivo único: maximizar el número de trabajos realizados (o minimi-

zar el número de trabajos NO hechos). Si no se limita nada más, hará
todos los trabajos, pero puede hacerlos en una sola máquina o en varias
máquinas, incluso en todas, y tardando un tiempo indefinido, en función
de las máquinas que use. Si, además de minimizar el número de trabajos
no hechos, se limita sólo el número de máquinas, pasará como el caso
anterior, usará una o varias máquinas tardando un tiempo no definido.
Si, además minimizar el número de trabajos no hechos, se limita sólo
el Cmáx , esto si fuerza a usar generalmente todas las máquinas y dará
como resultado la ejecución del máximo de trabajos, usando todas las
máquinas y en el Cmáx establecido. Por tanto se puede conseguir una
buena maximización de los trabajos realizados, simplemente limitando
el Cmáx .
3. Objetivo único: Minimizar el Cmáx . Si no se limita nada más, no usará

ninguna máquina, ni hará ningún trabajo, consiguiendo un Cmáx de cero.
Si, además de minimizar el Cmáx , se limita sólo el número de máquinas,
no hará ningún trabajo, dado que con eso se consigue un Cmáx igual a
cero y un número de máquinas igual a cero. Si, además de minimizar el
Cmáx , se limita sólo el número de trabajos, esto si fuerza a que se busque
una solución usando las máquinas que precise para hacer los trabajos y
conseguir un mínimo de Cmáx . Por tanto, se puede conseguir una buena

minimización del Cmáx , simplemente dando un número de trabajos a
realizar.
4. Objetivo doble: minimizar el número de máquinas y maximizar el nú-

mero de trabajos hechos. A pesar de ser objetivos contrapuestos, si no
se limita el tiempo o Cmáx , se realizarán todos los trabajos en un sola
máquina.
5. Objetivo doble: minimizar el número de máquinas y el Cmáx . Estos

objetivos son similares, con lo que si no se da un número de trabajos
mínimos a realizar, no se hará ningún trabajo consiguiendo un Cmáx de
cero y usando cero máquinas.
6. Objetivo doble: maximizar número de trabajos hechos y minimizar

Cmáx . Esto si dará buenos resultados, ya que para conseguir ambos
objetivos contrapuestos, tratará de usar el mayor número de máquinas
posibles, lo que dará el resultado óptimo del problema.
7. Objetivo triple: maximizar número de trabajos hechos, minimizar Cmáx

y minimizar el número de máquinas. Dado que con los dos primeros
objetivos ya se puede obtener una solución viable, el añadir el último
(minimizar el número de máquinas), añadiría una nueva parte a la fun-
ción objetivo a alcanzar.
Por tanto, para cualquier objetivo simple, debemos limitar uno o más
factores; para los objetivos dobles, debemos limitar el otro factor salvo en
el caso de ser los dos objetivos maximizar número de trabajos hechos y
6.2. No todas las máquinas (NAM) 203
minimizar Cmáx , ya que entonces no haría falta indicar nada sobre el número
de máquinas a emplear. Finalmente, en el objetivo triple no hace falta añadir
ninguna restricción para su correcta resolución.
6.2. No todas las máquinas (NAM)

Dentro de todas las opciones que hemos estudiado, nos centraremos en
resolver aquella en la que el objetivo único es minimizar el Cmáx , sujeto a las
restricciones de limitar el número de trabajos o de máquinas.
Estudiaremos en primer lugar el caso en el que no se emplean todas las

máquinas (Not All Machines - NAM), para lo cual hay que distinguir dos
partes del problema. Lo primero es decidir qué máquinas no se van a emplear y
lo segundo resolver un problema de máquinas paralelas sin esas máquinas. Al
ser las máquinas no relacionadas, la decisión de qué máquinas hay que dejar
de usar no es para nada sencilla, dado que el tiempo de proceso de cada trabajo
depende de la máquina y no existen máquinas que sean consistentemente
lentas o rápidas para todos los trabajos (este sería el caso menos general de
máquinas uniformes). Como resultado de lo anterior, y para encontrar la mejor
posible combinación de máquinas, deberíamos resolver todas las posibles
combinaciones de m − Z máquinas que se seleccionan para usarse (no usando
Z máquinas) de entre las m máquinas totales. Por ejemplo, en un problema
con 10 máquinas, si solo se quisieran usar 7 de estas máquinas, tendríamos
un número de combinaciones sin repetición de 10 elementos tomados de 3 en
3 para seleccionar las máquinas no usadas o, equivalentemente, 10 elementos
tomados de 7 en 7 para seleccionar las máquinas a usar. El resultado sería
nada menos que 120 posibles combinaciones. Cada combinación genera un
problema R//Cmáx diferente. Evidentemente, estamos ante un problema de
dimensiones importantes, dado que para un ejemplo más realista con un taller
de 50 máquinas paralelas donde se desea no usar 10 de ellas tendríamos un total
de 10.272.278.170 posibles combinaciones. Dada la imposibilidad de resolver

este problema de forma óptima, se propone una aproximación heurística que
surge de descomponer el problema en tres fases:
1. Analizar los tiempos de proceso y hacer un ranking de máquinas más

prometedoras.
2. Selección de máquinas según ranking
3. Resolver el problema R//Cmáx resultante.
Los dos últimos pasos se repiten de forma iterativa hasta que se alcanza
un criterio de parada, ya que, la selección de máquinas a no emplear, sin la
resolución del problema con la totalidad de las máquinas, será de carácter
aproximado. Una vez resuelto el problema, hemos de tener en cuenta que las
máquinas seleccionadas pueden resultar no ser las óptimas para este problema.
Por tanto, habrá que seguir un cierto criterio para no sólo hacer una primera
selección de máquinas, si no para hacer sucesivas selecciones de máquinas
con la correspondiente resolución del problema. Por ejemplo, si tenemos un
problema con 100 trabajos y 10 máquinas en las que sólo se deben emplear 8
de ellas, puede que nuestra mejor opción sea no emplear las máquinas 1 y 2.
Después resolvemos el problema de máquinas paralelas no relacionadas para
los 100 trabajos y las restantes 8 máquinas, pero dentro del tiempo límite dado
al algoritmo, si éste no ha expirado, podemos seleccionar la segunda mejor
opción de máquinas a no emplear, que puede ser el no emplear las máquinas 1 y
3, por ejemplo. Con esta nueva selección de máquinas resolveríamos de nuevo
el problema. Es por ello que hemos descompuesto el problema en las fases
antes mencionadas. La primera consistente en aplicar un criterio para ordenar
las máquinas de forma que durante la segunda fase se puedan seleccionar
aquellas que a priori parezcan las más apropiadas. Al acabar se hace una
nueva selección para re-lanzar el problema, y así sucesivamente hasta agotar
el tiempo disponible para resolver cada instancia.
6.2.1. Ranking de máquinas

Como primer paso para la resolución del problema de máquinas paralelas
donde no se emplean todas las máquinas, debemos obtener una forma de
ordenar las máquinas de forma que sepamos cuál es la máquina o máquinas
más favorables. La primera opción obvia de obtener un ranking de máquinas,
es resolver el problema con m − 1 máquinas, retirando sucesivamente todas y
cada una de ellas, resolviendo cada problema y finalmente retirando la máquina
que más convenga por obtener peores resultados. Seguidamente, se resuelve
para m − 2 máquinas y se retira la máquina que nos de la peor solución, y así
sucesivamente hasta retirar el total de máquinas marcado para el problema,
denominado Z. Esto da unos pobres resultados, dado que no es lo mismo
resolver quitando máquinas de una en una que retirar la totalidad de máquinas
que se nos solicita de una sola vez. Además, esto supondría la resolución de
numerosos problemas consecutivos. Por tanto, necesitamos una ordenación de
máquinas más efectiva que nos proporcione las máquinas a retirar siguiendo
ese orden y evitando la resolución de problemas parciales.
Para poder dar un orden de las máquinas se ha procedido a emplear los

conocimientos adquiridos de los algoritmos de reducción de tamaño. Así, se ha
procedido a escoger los tres menores valores de pij de cada trabajo para luego
restárselos al cuarto menor valor. Esto nos da una idea de cómo son de buenos
esos tres valores respecto al resto de valores no contemplados. Sumamos esas
diferencias para cada máquina. En el caso de no tener ningún valor, se le
asignará el correspondiente a la suma de todos sus valores originales. Esto
se hace porque estas máquinas resultan ser las que peores resultados dan, al
no tener reflejado ningún trabajo en el que sus tres menores valores caiga en
esas máquinas. Eso nos proporciona, para cada máquina, un valor de lo buena
que es realizando los trabajos comprendidos entre los tres menores valores
de pij de entre todos los trabajos. Finalmente, las máquinas se ordenan en
modo ascendente. Pongamos un ejemplo para ilustrar esta forma de ordenar
las máquinas:
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10 Ci
M1 4 5 5 5 5 4 5 5 4 5 47
M2 1 3 4 5 1 1 5 2 3 1 26
M3 3 3 1 1 2 2 4 4 5 4 29
M4 1 3 1 4 3 3 2 3 1 2 23
M5 1 4 1 3 2 2 4 2 1 2 24
Tabla 6.1 – Ejemplo NAM: Tabla inicial.
Partiendo de la tabla inicial 6.1 se seleccionan los tres menores valores de

cada trabajo y se marca en negrita el cuarto menor valor, tal y como muestra la
tabla 6.2.
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10
M1 5 5 4
M2 1 3 4 1 1 2 3 1
M3 3 3 1 1 2 2 4 4 4
M4 1 3 1 4 3 3 2 3 1 2
M5 1 4 1 3 2 2 4 2 1 2
Tabla 6.2 – Ejemplo NAM: Tabla de tres menores valores

por trabajo y cuarto menor valor en negrita.
Ahora se procede la resta de los tres menores valores respecto al cuarto,

tal y como muestra la tabla 6.3. Esto se hace para comprobar lo bueno que son
estos tres primeros valores respecto al resto de valores no considerados. Por
ejemplo, no es lo mismo que los tres menores valores sean 1 y el cuarto sea un
5 que si el cuarto menor valor sea un 2. En el primer caso, los tres primeros
valores estarán, muy probablemente, en la solución óptima, mientras que en el
segundo caso, a priori, la probabilidad de estar en la solución final es mucho
más pequeña.
J1 J2 J3 J4 J5 J6 J7 J8 J9 J10 Ci′ Co
M1 0 47
M2 -2 -1 -2 -2 -2 -1 -3 -13 -13
M3 -1 -3 -4 -1 -1 -1 -11 -11
M4 -2 -1 -3 -1 -3 -1 -3 -2 -16 -16
M5 -2 -3 -2 -1 -1 -1 -2 -3 -2 -17 -17
Tabla 6.3 – Ejemplo NAM: Tabla de diferencia de los tres

menores valores con el cuarto. Co = Ci′ si Ci′ <> 0 ó Co =
Ci de la tabla 6.1 si Ci′ = 0
En la tabla 6.3 el valor Ci′ representa la suma de los valores así obtenidos
para cada máquina. Co es igual a Ci′ en el caso de que Ci′ sea distinto de cero;
en caso de ser Ci′ igual a cero, Co para esa máquina es igual a la suma de todos
los valores pij de la tabla 6.1 correspondientes a esa máquina. Esto último se
hace para poder ordenar las máquinas cuyo valor en la tabla de diferencias
sea cero. Así, finalmente, alcanzamos un ranking de ordenación de máquinas
según la prioridad para ser desechadas, en nuestro ejemplo dicho ranking sería:
{M 1, M 3, M 2, M 4, M 5}. Si se produce algún empate se ordena según el Ci
de los implicados y en caso de persistir la igualdad, se haría aleatoriamente
entre los mismos.
Para mayor claridad se ha expuesto en la figura 6.1 el pseudo-código que

proporciona el ranking de máquinas para el método planteado.
procedure Ranking_máquinas_NAM
Mori := Matriz original de tiempos de proceso pij ;
d := num. de valores min. de pij de cada trabajo a seleccionar
for j := 1 to n do % selección k valores mínimos

for k := 1 to d do
l = argmin{phj };
h∈M
Mred := escribir plj como parte de la nueva matriz reducida;
Mori := Marcar plj como no seleccionable;
endfor k
l = argmin{phj }; % selección del k + 1 valor mínimo

h∈M
p0j :=plj ;
% Restamos el k + 1 de los otros

for i := 1 to m do
Mred := pij − p0j ; ∀pij > 0; ∀pij ∈ Mred
endfor i
endfor j
% Sumamos los pij de cada máquina de Mred

for i := 1 to m do
∑n
Si := j=1 pij ; ∀pij ∈ Mred
% para las máquinas sin valores en Mred

if Si = 0 ∑
then
n
Si := j=1 pij ; ∀pij ∈ Mori
endif
endfor i
Hi := Vector con las máquinas ordenadas de menor a mayor valor de Si ;

end
Figura 6.1 – Orden de máquinas o ranking (NAM).

6.2.2. Método de las selecciones de máquinas

Una vez obtenido el ranking de máquinas, se procede a la selección de
las mismas por distintos procedimientos. Tras cada selección de máquinas se
resuelve el problema resultante con las máquinas seleccionadas. Veamos como
se seleccionan las máquinas.
1. Hay m máquinas disponibles y se quieren seleccionar solo m − Z de

éstas, donde Z es el número de máquinas que no se usarán en el taller.
Se ha realizado un ranking previo de todas las máquinas.
2. La primera selección corresponde a las m − Z primeras máquinas del

ranking.
3. Para la segunda selección, se escoge la máquina en la posición m−Z +1

del ranking, que se corresponde con la primera máquina no seleccionada
y se intercambia con la última máquina seleccionada, la que ocupa la
posición m − Z.
4. Para la tercera selección, respecto a la primera selección, se intercambia

de nuevo la primera máquina no seleccionada, m−Z +1, con la máquina
en la posición m − Z − 1.
5. El proceso continua hasta que se hace una selección donde la primera

máquina no seleccionada se intercambia con la primera máquina se-
leccionada (la que ocupa la posición 1 del ranking), es decir, cuando
la primera máquina no seleccionada se ha intercambiado con todas las
máquinas seleccionadas en la primera opción.
6. El proceso anterior se repite de nuevo pero intercambiando esta vez

la segunda máquina no seleccionada, es decir, aquella que ocupa la
posición m − Z + 2 del ranking, con todas las máquinas seleccionadas
en la primera opción.
7. En total, se hacen (m − Z) · Z + 1 selecciones o conjuntos distintos de

máquinas.
8. Una vez realizadas todas las selecciones mediante este método, si el

criterio de parada no se ha cumplido, entonces se hacen sucesivas se-
lecciones de máquinas al azar hasta que éste se alcanza.
Apliquemos el procedimiento de selección de máquinas al ejemplo ante-

rior, donde el ranking es {M 5, M 4, M 2, M 3, M 1}. Pongamos que se quiere
no usar el 40 % de máquinas, es decir, hay que desechar Z = 2 máquinas de
las 5 máquinas totales, con lo que m−Z = 5−2 = 3 máquinas se usarán en el
taller. Como primera opción se seleccionarían las tres primeras máquinas del
ranking, es decir, {M 5, M 4, M 2}. Nótese que se trata de las tres máquinas
más prometedoras según el ranking. Una vez solucionado este problema de
asignación en las tres primeras máquinas paralelas no relacionadas del ranking,
se pasaría a una nueva selección. Se toma la primera máquina no seleccionada
según el ranking, la máquina M 3 y se cambiaría por la última máquina se-
leccionada, M 2, quedando por tanto las tres máquinas seleccionadas a usar
como {M 5, M 4, M 3}. Tras resolver este nuevo problema se sustituiría de
nuevo la primera máquina no seleccionada por la segunda seleccionada, es
decir M 3 por M 4, quedando la selección como {M 5, M 3, M 2}. La siguiente
selección nos dejaría {M 3, M 4, M 2}. Llegados a este punto, donde ya se ha
sustituido la primera máquina no seleccionada por cada una de las máquinas
seleccionadas, se procede a tomar la siguiente máquina no seleccionada M 1.
Así pues la siguiente combinación a probar sería {M 5, M 4, M 1}. Seguiría-
mos por {M 5, M 1, M 2} y finalmente por {M 1, M 4, M 2}. Tras acabar estas
selecciones y si no se hubiera cumplido el criterio de parada, se continuaría
con selecciones de máquinas aleatorias. El resultado final de cada algoritmo,
cuando se usan estos métodos de ranking y selección es la mejor solución
obtenida de entre todas las selecciones de máquinas probadas. La figura 6.2
muestra el pseudo-código del método para la selección de máquinas.
procedure Método_selección_Máquinas_NAM
Pori := Problema original;
H := Lista ordenada del proceso Lista_Ordenada_máquinas_NAM;
r := Porcentaje de máquinas de no usadas;
Z := m · r; % número de máquinas no usadas;
for i := m − Z + 1 to m do
Pred := Marcar Hi como máquina no seleccionable;
endfor i
′
Pred := Pred ;
π = Resolución Pred ; % por diferentes métodos;
πb = π; % πb = mejor solución;
% Orden de cambio de las máquinas no seleccionadas

for i := 1 to Z do
k = m − Z + i;
for i′ := 1 to m − Z do
q = m − Z + 1 − i′ ;
′
Pred := Pred ;
Pred := Marcar Zk como máquina seleccionable;
Pred := Marcar Zq como máquina no seleccionable;
if time >= criterio de parada then end
π = Resolver Pred ; % por diferentes métodos;
if Cmáx (π) < Cmáx (πb ) then πb := π;
endfor i′
endfor i
% Cambio aleatorio de máquinas no seleccionables

while (criterio de parada no satisfecho) do
Pred := Pori ;
for s := m − Z + 1 to m do
i′′ = Selección aleatoria de máquinas sin repetición;
Pred := Marcar Zi′′ como máquina no seleccionable;
endfor s
π = Resolver Pred ; % por diferentes métodos;
if Cmáx (π) < Cmáx (πb ) then πb := π;
endwhile
end
Figura 6.2 – Método de selección de máquinas (NAM).

6.2.3. Algoritmos para la resolución de NAM

Como se comentó inicialmente, el primer método a considerar es la simple
solución del modelo formado por los conjuntos de restricciones anteriores
(6.2), (6.4), (6.3) y (6.1) mediante un moderno solver. Usamos el solver IBM-
ILOG CPLEX versión 12.1, que es la última versión disponible en el momento
de la escritura de este capítulo. Dado que este problema es distinto a los
tratados en capítulos anteriores, estudiado en último lugar y que recientemente
se había adquirido esta versión del solver comercial, quisimos emplear esta
versión a efectos de compararnos y usar la versión más potente disponible.
Denominaremos a este solver simplemente como CPLEX de aquí en adelante.
El segundo método a considerar es usar también CPLEX, pero conjuntamen-
te con los algoritmos de ranking y de selección de máquinas anteriormente
propuestos, para ver como de buena es la propuesta de selección de máquinas
respecto a la resolución del problema sólo con CPLEX. Es decir, cada vez que
se hace una selección, se resuelve el modelo resultante, que al ser de dimensio-
nes más reducidas que el original, se espera que se resuelva más rápidamente.
Al empleo del ranking de máquinas unido a la selección de máquinas expues-
tas anteriormente las denominaremos NAM. Para mejorar el rendimiento, se
le fijaba un tiempo a CPLEX para reiniciarse con una nueva combinación
proporcionada por NAM caso de no haber alcanzado el óptimo antes. Esto
se hace por que la primera opción dada por el ranking puede no contener las
máquinas óptimas a retirar. Además, CPLEX, pasado un tiempo, se demora en
ocasiones en demasía cerrando el árbol de búsqueda. Así, una reiniciación de
CPLEX con una nueva combinación de máquinas y proporcionándole el mejor
resultado obtenido hasta el momento como cota inferior, permiten a CPLEX,
generalmente, hallar los óptimos rápidamente. Nos referimos a este segundo
método como NAM+CPLEX.
La tercera propuesta tiene en cuenta los algoritmos anteriores de ranking

y selección pero en vez de usar CPLEX para resolver el problema de secuen-
ciación se usa algún algoritmo que nos de una buena respuesta. En principio
podría ser DIG, estado del arte, como heurística sencilla y de fácil implemen-
tación. Ahora bien, este problema requiere de algún algoritmo que resuelva
rápido, ya que hay que probar distintas combinaciones de máquinas, y esto,
no lo dan fácilmente las heurísticas. Para solucionar esta cuestión, se recurrió,
durante una parte del tiempo total dado para resolución de cada instancia, a
una heurística muy simple y rápida para seleccionar qué combinaciones son las
mejores. Esta heurística no es otra que la inserción con estrategia “best” hasta
óptimo local seguida del intercambio con la estrategia “first” igualmente hasta
óptimo local; es decir la heurística ST, ya vista en la sección 3.1 para la base
de los primeros algoritmos propuestos. Esta heurística ST resuelve de forma
rápida las distintas combinaciones de máquinas que le proporciona el ranking y
la selección, obteniéndose por tanto la mejor solución que este algoritmo puede
hallar, lo que nos proporciona una lista de las mejores máquinas a emplear.
Finalmente, una vez agotado el tiempo de la parte dada a la heurística ST, se
deja el resto del tiempo a DIG para que refine la solución de la mejor opción
de máquinas a emplear. Es decir, el ranking y la selección ordena las máquinas
en función de su posibilidad de ser retiradas, después el problema reducido usa
ST como solver y durante la última parte del tiempo total se aplica DIG para
refinar la mejor solución hallada en la fase anterior por ST. Este algoritmo se
denomina NAM+ST+DIG. Nótese que no requiere de ningún solver comercial
para su aplicación.
Como cuarto y último método propuesto se probó a usar también la opción

de ST antes de CPLEX para ver como reaccionaba con esta nueva opción, es
decir, en vez de lanzar CPLEX después del ranking y de la selección, se aplica
una búsqueda local rápida tipo ST para inicializar CPLEX con una primera
buena solución para el problema de máquinas paralelas. Pasó a denominarse
NAM+ST+CPLEX. Como en el caso de NAM+CPLEX se le fijaba un tiempo
a CPLEX para que se reiniciase con una nueva combinación proporcionada
por la lista fijada por ST caso de no haber alcanzado el óptimo antes.
6.2.4. Análisis computacional

Como en anteriores ocasiones, empleamos las mismas 1.400 instancias
agrupadas en los siete intervalos ya mencionados; así mismo se emplearan
el mismo grupo de 12 ordenadores PC/AT.
Se hicieron pruebas para distintos porcentajes de máquinas sin usar, en con-
creto para 20 %, 50 % y 80 %, así como a tiempos de parada de 60 segundos y
de 300 segundos. Las calibraciones para estos tiempos vienen reflejados en la
tabla 6.4.
Criterio parada 60 300
NAM+CPLEX Tiempo reinicio 10 60
NAM+ST+DIG Tiempo ST 10 60
Tiempo DIG 50 240
NAM+ST+CPLEX Tiempo ST 20 100

Tiempo CPLEX 40 200
Tiempo reinicio 10 60
Tabla 6.4 – Tabla de los resultados de las calibraciones

para los algoritmos NAM propuestos. Valores en segundos.
Procedemos primeramente a mostrar las tablas de las desviaciones porcen-

tuales de los distintos algoritmos, aunque en esta ocasión las diferencias se
han realizado respecto a la referencia de la mejor solución conocida. En este
caso no se han hecho las comparativas respecto a CPLEX 2 horas con este
nuevo problema, por producirse en algunos casos gap superiores al 50 %, por
lo que no parece ser esta referencia la más indicada, por lo que se optó por la
referencia de la mejor solución conocida. Finalmente, mostramos unos gráfi-
cos de ANOVA que representan la significación estadística de las diferencias
observadas entre los distintos algoritmos.
En el presente capítulo se expondrán sólo los resúmenes de los resultados

y algún gráfico especifico por su singular importancia. No obstante, se pueden
consultar todas las tablas y ANOVAS de forma más detallada en el anexo E.
Hemos querido empezar este estudio por el caso intermedio del 50 % de

maquinas sin usar para poder tener una primera referencia sobre el compor-
tamiento de los algoritmos para este novedoso problema. Posteriormente po-
dremos ver el estudio para un menor porcentaje (20 %) y un mayor porcentaje
(80 %). Igualmente, para cada uno de los porcentajes a estudiar se empezó con
un tiempo de 300 segundos, lo que supone un periodo amplio para el funcio-
namiento de CPLEX. El estudio de cada uno de los porcentajes se completa
para un tiempo de 60 segundos, más acorde con una rápida resolución de las
instancias.
Empezando por un 50 % de máquinas sin usar y 300 segundos, podemos

apreciar en la tabla 6.5 como los tres algoritmos propuestos superan amplia-
mente el uso de CPLEX. En este caso NAM+ST+CPLEX da unos resultados
ligeramente mejores que el resto. Cabe destacar como para este tipo de pro-
blemas, el intervalo U (100, 120) es uno de los que más dificultades entraña
para su resolución por el solver CPLEX, contrariamente a lo que sucedía en el
caso de máquinas paralelas no relacionadas pero sin restricción en el número
de máquinas, donde CPLEX ofrecía uno de sus mejores resultados para este
intervalo de tiempos de proceso. El error medio para CPLEX en este intervalo
U (100, 120), es del 4,4 %, el segundo más alto de la tabla, después del más del
5 % ofrecido por CPLEX en el intervalo U (1, 100).
Intervalo CPLEX NAM+CPLEX NAM+ST+DIG NAM+ST+CPLEX

U(1,100) 5,11 1,05 1,68 0,34
U(10,100) 2,94 0,49 0,41 0,10
Job Corre 3,65 0,16 0,05 0,32
Maq Corre 1,25 0,01 0,64 0,06
U(100,200) 3,32 0,10 0,21 0,08
U(100,120) 4,40 0,03 0,05 0,02
U(1000,1100) 0,18 0,02 0,01 0,01
Media 2,98 0,27 0,44 0,13
Tabla 6.5 – Tabla porcentual de la media de las diferencias

respecto al mejor resultado obtenido para todos los inter-
valos y 50 % de máquinas sin usar con 300 segundos.
Cuando el tiempo de resolución desciende de 300 segundos a 60 segundos,

tal como los muestra la tabla 6.6, los resultados empeoran ligeramente para los
algoritmos propuestos, pero lo hace de forma más brusca para la utilización del
solver CPLEX, ya que pasa a obtener valores cercanos al 9,7 % de diferencia
respecto al mejor resultado obtenido. En este caso se aprecia claramente la
influencia del tiempo de resolución en CPLEX. Podemos destacar que la
utilización de NAM junto con CPLEX palía en gran medida este problema que
presenta el solver para este tipo de problema. En esta tabla, los valores medios
del error cometido llegan a superar el 14 %. Así mismo, tal y como se puede
ver en el anexo E, existen grupos de instancias donde la diferencia obtenida por
CPLEX frente a la mejor solución, llega a alcazar valores por encima del 60 %,
como en el caso de las instancias de 1000 × 50 para el intervalo U (100, 120).

U(1,100) 12,87 2,64 1,68 1,04
U(10,100) 10,29 0,98 0,57 0,52
Job Corre 11,90 0,34 0,14 0,32
Maq Corre 3,73 0,29 0,74 0,20
U(100,200) 12,88 0,33 0,27 0,26
U(100,120) 14,20 0,07 0,06 0,07
U(1000,1100) 1,94 0,04 0,02 0,03
Media 9,69 0,67 0,50 0,35

En el caso de no emplear solamente el 20 % de las máquinas y 300 se-

gundos, las diferencias entre los algoritmos propuestos y CPLEX se suavizan
mucho, llegando a alcanzar a alguno de ellos e incluso superar a otro. En
este último caso se encuentra el algoritmo NAM+ST+CPLEX, que lo supera
CPLEX, aunque el algoritmo NAM+CPLEX sigue superando al resto, tal y
como muestra la tabla 6.7. Esto nos indica que la introducción de la parte de
ST como solver previo al uso de CPLEX introduce cierta cantidad de ruido
que no beneficia al algoritmo en el caso de no emplear un número reducido de
máquinas.

U(1,100) 0,54 0,69 1,51 5,00
U(10,100) 0,68 0,18 0,39 2,78
Job Corre 0,69 0,31 0,06 1,02
Maq Corre 0,13 0,03 0,48 1,63
U(100,200) 0,27 0,08 0,11 0,66
U(100,120) 0,06 0,02 0,03 0,15
U(1000,1100) 0,02 0,01 0,02 0,08
Media 0,34 0,19 0,37 1,62

Para el caso del no empleo de un 20 % de máquinas y solo 60 segundos,

de nuevo CPLEX vuelve a empeorar notablemente sus resultados respecto a
tiempos superiores como el caso de los anteriores 300 segundos, mientras que
los algoritmos NAM+CPLEX y NAM+ST+DIG conservan buenos porcentajes
respecto a la mejor solución obtenida, como se aprecia en la tabla 6.8.

U(1,100) 2,41 1,24 1,95 5,24
U(10,100) 2,10 0,75 0,58 2,89
Job Corre 1,76 0,66 0,21 1,29
Maq Corre 0,73 0,25 0,55 1,66
U(100,200) 0,84 0,30 0,17 0,69
U(100,120) 1,63 0,07 0,04 0,16
U(1000,1100) 0,10 0,04 0,02 0,08
Media 1,37 0,47 0,50 1,72

Finalmente, cuando se analiza el comportamiento de los algoritmos estu-

diados para el caso de un 80 % de máquinas sin utilizar, vemos en la tabla
6.9 como las diferencias entre el empleo del solver solo frente a los algoritmos
propuestos se incrementa notablemente. Para el caso de 300 segundos ya se ven
valores de CPLEX superiores en varias veces al resto de algoritmos. Incluso
se aprecian intervalos donde CPLEX produce unas diferencias de más de un
30 %, con diferencias en algunos grupos de instancias superiores al 200 %,
como el caso de las instancias de 1000 × 40 ó 1000 × 50 en el intervalo de
máquinas correlacionadas, como se detalla en el anexo E.

U(1,100) 12,95 0,67 0,63 1,19
U(10,100) 7,90 0,47 0,29 0,70
Job Corre 2,45 0,07 0,06 0,19
Maq Corre 30,33 0,00 0,39 1,03
U(100,200) 3,95 0,13 0,08 0,32
U(100,120) 4,19 0,02 0,05 0,13
U(1000,1100) 2,76 0,02 0,02 0,05
Media 9,22 0,20 0,22 0,52

En esta última tabla 6.10 relativa al 80 % de máquinas sin emplear y

para 60 segundos vemos como, respecto al mismo porcentaje de máquinas
sin emplear y 300 segundos, los valores obtenidos se extreman, así como sus
diferencias llegando a superar la diferencia total media respecto a la mejor
solución en un 17 % y obteniendo diferencias para en el caso del intervalo de
máquinas correlacionadas del 56 %.

U(1,100) 23,17 2,04 1,47 1,94
U(10,100) 13,97 1,19 0,55 0,99
Job Corre 5,65 0,12 0,11 0,24
Maq Corre 56,64 0,04 0,44 1,33
U(100,200) 7,72 0,24 0,15 0,38
U(100,120) 7,23 0,07 0,07 0,14
U(1000,1100) 5,47 0,04 0,03 0,06
Media 17,12 0,53 0,40 0,73
Tabla 6.10 – Tabla porcentual de la media de las diferen-

cias respecto al mejor resultado obtenido para todos los
intervalos y 80 % de máquinas sin usar con 60 segundos.
Por último, se ha incluido la tabla resumen 6.11 donde se puede apreciar

en su conjunto el comportamiento de todos los algoritmos probados para los
tiempos de 60 segundos y 300 segundos Se pone de manifiesto que los tres
algoritmos propuestos superan a CPLEX. NAM+ST+CPLEX no mejora a
NAM+CPLEX siendo este último más sencillo y más robusto, como se ve por
el comportamiento de NAM+ST+CPLEX para 20 % de máquinas no usadas.
NAM+ST+DIG da los mismos o parecidos resultados que los algoritmos que
emplean CPLEX con la ventaja de no usar ningún solver comercial, obteniendo
mejores resultados de media para tiempos menores y peores medias para
tiempos más elevados.
Maq. Tiempo CPLEX NAM+CPLEX NAM+ST+DIG NAM+ST+CPLEX

50 % 300 seg 2,98 0,27 0,44 0,13
50 % 60 seg 9,69 0,67 0,50 0,35
20 % 300 seg 0,34 0,19 0,37 1,62
20 % 60 seg 1,37 0,47 0,50 1,72
80 % 300seg 9,22 0,20 0,22 0,52
80 % 60seg 17,12 0,53 0,40 0,73
media total 300seg 4,18 0,22 0,34 0,76
media total 60seg 9,39 0,56 0,47 0,93
Tabla 6.11 – Tabla porcentual resumen para la media de

todos los intervalos y 20 %, 50 % y 80 % de máquinas sin
usar con 60 y 300 segundos.
Siguiendo la misma secuencia que en el caso de las tablas previamen-

te mostradas, presentamos los ANOVA correspondientes que nos permitirán
comparar las diferencias entre los distintos resultados obtenidos.
La figura 6.3, para un 50 % de máquinas y 300 segundos, muestra clara-

mente que los tres algoritmos propuestos, a pesar de tener diferentes medias,
no resultan estadísticamente distintos entre si, mientras que CPLEX muestra
claras diferencias con el resto.

3,9
2,9
RPD
1,9
0,9
-0,1
CPLEX
NAM+CPLEX
NAM+ST+CPLEX
NAM+ST+DIG
Figura 6.3 – ANOVA para todos los intervalos con 50 %

máquinas sin usar y 300 segundos.
En el caso de no emplear el 50 % de máquinas y solo 60 segundos, tal

y como muestra la figura 6.4, la diferencia entre los algoritmos propuestos y
CPLEX se hace aun más amplia en sus valores que la precedente para 300
segundos, ya que CPLEX, como se ha venido mostrando a lo largo de todo el
trabajo expuesto, necesita de una cantidad considerable de tiempo para poder
dar valores competitivos y en algunos casos, como el presente, ni siquiera con
bastante tiempo es capaz de dar valores competitivos.

11
7
RPD
-1
CPLEX
NAM+CPLEX
NAM+ST+CPLEX
NAM+ST+DIG

Para el caso de 20 % de máquinas sin usar y 300 segundos (figura 6.5) , te-
nemos que el último algoritmo probado, NAM+ST+CPLEX da pobres valores
respecto al resto. Esto es debido a que el funcionamiento de CPLEX ya es lo
bastante eficaz para este problema, ya que al ser retiradas un pequeña porción
de máquinas, el problema se asemeja bastante al de máquinas paralelas no
relacionadas, donde CPLEX ya daba buenos resultados. El resto de algoritmos
apenas si muestran diferencias significativas entre si.

1,8
1,5
1,2
RPD
0,9
0,6
0,3
0
CPLEX
NAM+CPLEX
NAM+ST+CPLEX
NAM+ST+DIG

El el caso mostrado en la figura 6.6, para un 20 % de máquinas no usadas

y 60 segundos, vemos como el factor tiempo fuerza a CPLEX a estar signifi-
cativamente distanciado de los algoritmos NAM+CPLEX y NAM+ST+DIG, e
incluso acercarse a los intervalos dados por NAM+ST+CPLEX.

2
1,6
1,2
RPD
0,8
0,4
0 NAM+CPLEX
CPLEX
NAM+ST+CPLEX
NAM+ST+DIG

La figura 6.7 muestra los valores obtenidos para el caso del 80 % de

máquinas no usadas y 300 segundos de tiempo, con una igualdad notable
entre los tres algoritmos propuestos y una diferencia significativa clara sobre
CPLEX. El orden de magnitud de las diferencias entre los valores de CPLEX
y el resto son notables en este caso.

11
7
RPD
-1
NAM+CPLEX
CPLEX
NAM+ST+CPLEX
NAM+ST+DIG

Para el último caso en que el tiempo a considerar es de 60 segundos, con

un 80 % de máquinas sin usar, nos encontramos con que las diferencias entre
CPLEX y el resto de los algoritmos son las más grandes que se dan dentro de
este estudio, tal y como muestra la figura 6.8.

19
15
11
RPD
-1
CPLEX
NAM+CPLEX
NAM+ST+CPLEX
NAM+ST+DIG

Finalmente, hemos querido añadir una evaluación conjunta de todos los

porcentajes de máquinas no empleadas para poder ilustrar mejor el efecto de
los distintos algoritmos. Estas comparativas vienen dadas por la figura 6.9 para
300 segundos y por la figura 6.10 para 60 segundos, en la que no se han añadido
los intervalos para mayor claridad de la figura. En ambas figuras se puede
apreciar el buen comportamiento de los algoritmos NAM+CPLEX así como
de NAM+ST+DIG. También se puede ver como solo en el caso del 20 % de
máquinas no usadas se acerca CPLEX al resto y como NAM+ST+CPLEX, a
pesar de tener buenos valores, no supera a los otros dos algoritmos propuestos.
Interaction Plot
10
porcentaje
8 20
50
6 80
RPD
0
NAM+CPLEX
CPLEX
NAM+ST+CPLEX
NAM+ST+DIG
Figura 6.9 – ANOVA con la interacción por % máquinas

sin usar y algoritmo para todos los intervalos y 300 segun-
dos.
Interaction Plot
18
porcentaje
15
20
12 50
80
RPD
0
NAM+CPLEX
CPLEX
NAM+ST+CPLEX
NAM+ST+DIG
Figura 6.10 – ANOVA con la interacción por % máquinas

sin usar y algoritmo para todos los intervalos y 60 segun-
dos.
6.3. No todos los trabajos (NAJ) 229
Como resumen del estudio de no todas las máquinas, podemos decir que a
mayor porcentaje de máquinas sin usar, CPLEX encuentra más dificultades en
conseguir buenos resultados. Pasa de valores parejos al resto de algoritmos,
en el caso de pocas máquinas sin usar, a resultados muy alejados de los
mismos cuando se dejan de usar un número elevado de máquinas. También
se nota la influencia del tiempo en la consecución de resultados por parte
de CPLEX. Esto no es de extrañar, dado que al usar un algoritmo exacto,
con un tiempo indefinidamente elevado, debería alcanzar la respuesta óptima.
En cuanto a los algoritmos propuestos, vemos como NAM+ST+CPLEX no
da mejores resultados que NAM+CPLEX, siendo este último algoritmo más
sencillo. Así mismo, los resultados obtenidos NAM+ST+DIG son similares
a los obtenidos por NAM+CPLEX, siendo ambos algoritmos los de mejores
resultados globales para los intervalos estudiados, por lo que tenemos dos
buenos algoritmos para la resolución de este problema, uno empleando un
solver comercial y otro que no emplea más que heurísticas simples.
6.3. No todos los trabajos (NAJ)

En esta sección tratamos el problema de no realizar todos los trabajos
sujeto al objetivo de minimizar el Cmáx . Como primer paso, se analizó el uso
de CPLEX, empleando la formulación matemática anteriormente mencionada
en la sección 6.1. La idea previa es comprobar como se desenvuelve un solver
comercial con este tipo de problemas. Los resultados obtenidos se reflejan en
la tabla 6.12. En ella se muestra, respecto a la cota inferior, los siete intervalos
que venimos empleando habitualmente y para 300 segundos, el error máximo
que comete CPLEX, la media total de error cometido (promediado entre las
200 instancias de cada intervalo) y el error parcial medio (promediado sólo
entre las instancias con error/gap). Lo primero que podemos apreciar es que el
error máximo más grande lo tiene para los trabajos correlacionados, lo cual no
es sorprendente, dado que para este caso resulta mucho más difícil de decidir
que trabajos eliminar dada la inherente relación entre los trabajos. No obstante,
cuando vemos la media de error que se produce al estudiar las instancias de
este intervalo, esta se queda por debajo del 2 %. En el resto de intervalos
estos valores caen muy debajo de los obtenidos para trabajos correlacionados.
Así podemos observar como la media de error obtenida por CPLEX para las
1.400 instancias, respecto a la cota inferior, es de solo un 0,46 % e incluso
haciendo la media entre solo las instancias que no han alcanzado el óptimo,
este error medio no llega a alcanzar el 1 %. Todo ello respecto a la cota
inferior, lo cual indica que, como máximo, ese es el error que encontraremos,
aunque evidentemente, podría ser menor si se hubiera obtenido el óptimo para
todas las instancias. Así que no parece muy rentable el adentrarse en buscar
algoritmos no exactos que sean capaces de igualar o superar los valores tan
buenos proporcionados, mediante algoritmo exacto, por parte de este solver.
Error máximo Media total error Error parcial medio

U(1,100) 0,00 0,00 0,00
U(10,100) 2,26 0,17 1,28
JobCorre 12,28 1,94 2,36
MaqCorre 1,13 0,01 0,48
U(100,200) 3,28 0,11 0,49
U(100,120) 0,08 0,00 0,05
U(1000,1100) 8,34 1,01 1,87
Media 3,91 0,46 0,93
Media total error = suma de errores entre total de instancias; error parcial medio = suma de errores
entre instancias con error
Tabla 6.12 – Tabla porcentual de la media de las diferen-

cias respecto a la cota minima para todos los intervalos y
50 % de trabajos realizados con 300 segundos.
No obstante, se hizo la prueba de tratar de adaptar el algoritmo que tan

buenos resultados nos había dado para no todas las máquinas y aplicarlo a no
todos los trabajos. Así que lo que se hizo fue trasponer la matriz del problema
6.3. No todos los trabajos (NAJ) 231
pij , de forma que los trabajos figurasen como máquinas y las máquinas como
trabajos y aplicarles el algoritmo NAM adaptado a esta nueva situación, que
así paso a denominarse NAJ, para después aplicarle, como en el caso anterior,
la heurística ST y finalizar afinando con la heurística DIG, quedando por tanto
el algoritmo como NAJ+ST+DIG. Los resultados no fueron competitivos con
los obtenidos por la utilización de CPLEX, expresados en la tabla 6.12. Se
muestra como ejemplo los tres ANOVA de los intervalos con peores resul-
tados dados por CPLEX, U(10,100), trabajos correlacionados y U(100,200),
donde se aprecia claramente que CPLEX es estadísticamente mejor que el
algoritmo propuesto adaptado a este problema, salvo para el caso de trabajos
correlacionados, donde a pesar de no ser estadísticamente diferente, CPLEX
presenta mejor media aun en este caso. Estos resultados son los esperados, tal
como anticipábamos, dado el escaso gap existente en las soluciones dadas por
CPLEX.

3,8
2,8
RPD
1,8
0,8
-0,2
CPLEX NAJ+ST+DIG
Figura 6.11 – ANOVA del intervalo U(10,100) con 50 %

trabajos realizados y 300 segundos.

2,7
2,5
RPD
2,3
2,1
1,9
1,7
CPLEX NAJ+ST+DIG
Figura 6.12 – ANOVA del intervalo Trabajos Correlacio-

nados con 50 % trabajos realizados y 300 segundos.

0,5
0,4
RPD
0,3
0,2
0,1
0
CPLEX NAJ+ST+DIG
Figura 6.13 – ANOVA del intervalo U(100,200) con 50 %

trabajos realizados y 300 segundos.
6.4. Resumen de máquinas opcionales y selección de

trabajos
En este capítulo se estudian por primera vez, al mejor saber y conocimiento
de los autores, dos generalizaciones del problema de secuenciación de trabajos
6.4. Resumen de máquinas opcionales y selección de trabajos 233
en máquinas paralelas no relacionadas con el objetivo de minimizar el Cmáx .

Estas generalizaciones son las que resultan de introducir más dimensiones de
decisión, en concreto decidir qué máquinas son opcionales (no se usan todas
las máquinas) o qué trabajos se seleccionan para producción (no se procesan
todos los trabajos). Para ambos problemas se han propuesto modelizaciones
matemáticas sencillas y potentes si se resuelven con CPLEX.
Para el problema con máquinas opcionales se ha propuesto un sencillo

ranking que ordena las máquinas de más interesantes para la minimización del
Cmáx a aquellas más adecuadas para no ser usadas. Junto con el ranking, se ha
presentado un algoritmo también muy sencillo para ir seleccionando las máqui-
nas usadas de entre las m máquinas disponibles. Con estos dos algoritmos se
han propuesto tres métodos de resolución, resultado de unir el ranking y la se-
lección de máquinas con CPLEX o con técnicas de búsqueda local o algoritmos
heurísticos propuestos en capítulos anteriores. Los resultados computacionales
y tests estadísticos realizados, con distintos parámetros y criterios de parada,
y con un conjunto muy amplio de instancias de prueba (1.400 instancias)
nos permiten concluir que la combinación de los algoritmos de ranking y de
selección de máquinas, junto a los métodos propuestos, superan ampliamente
a CPLEX en todos los tests llevados a cabo.
En cambio, para el problema de la selección de trabajos se ha observado
que el uso de CPLEX con la modelización propuesta da resultados extre-
madamente buenos, óptimos en muchos casos y en cualquier caso con una
desviación media con respecto a la cota inferior de menos del 0,5 %.
Como posteriores estudios en este campo, queda el adentrarse en los temas
multiobjetivo, empleando dos o tres de los objetivos posibles, a saber, mini-
mizar el Cmáx , minimizar el número de máquinas y/o minimizar el número de
trabajos no realizados. Así mismo quedaría por realizar una paralelización de
los algoritmos.
CAPÍTULO
7
CONCLUSIONES Y LÍNEAS FUTURAS DE
INVESTIGACIÓN
En esta Tesis Doctoral hemos tratado con el problema de máquinas parale-

las no relacionadas, donde n trabajos independientes deben ser asignados a una
de las m máquinas paralelas y los tiempos de proceso de cada trabajo difieren
de una máquina a otra. Hemos trabajado sobre el objetivo de minimizar el
máximo tiempo de finalización o Cmáx . Este es un tipo de problema de asig-
nación que ha sido frecuentemente estudiado en la literatura científica dadas
sus múltiples aplicaciones. Por tanto, hemos realizado primero, en el capítulo
2, un estudio de la literatura relativa a este tema y hemos comprobado como
el estado del arte estaba representado por los algoritmos Partial de Mokotoff
y Jimeno (2002) y RBS de Ghirardi y Potts (2005), a la vez que constatamos
que el solver IBM-ILOG CPLEX 11.0 es un método a tener en cuenta para
la resolución de este problema de asignación. También pudimos observar que
no existía un conjunto de instancias estándar para este tipo de problema, dado
que cada autor realizaba las suyas propias y posteriormente no las dejaba dis-
ponibles. Por lo tanto, se generaron un conjunto de 1.400 instancias repartidas
235
CAPÍTULO 7. CONCLUSIONES Y LÍNEAS FUTURAS DE
236 INVESTIGACIÓN
en 7 intervalos de tiempos de proceso distintos: U (1, 100), U (10, 100), má-

quinas Correlacionadas, Trabajos Correlacionados, U (100, 200), U (100, 120)
y U (1000, 1100). Para cada uno de estos intervalos se hicieron combinacio-
nes de m = {10, 20, 30, 40, 50} y n = {100, 200, 500, 1000} y dentro de
cada una de estas combinaciones se generaron 10 instancias al azar. Todas
estas instancias, junto con sus soluciones de referencia, están disponibles en
http://soa.iti.es/, lo que ya representa una contribución para el pro-
blema de R//Cmáx .
En una primera aproximación diseñamos en el capítulo 3 unos algoritmos

basados en una búsqueda local de inserción seguida de una búsqueda local de
intercambio, ambas llevadas hasta su óptimo local (esta aplicación consecutiva
de varios vecindarios se conoce como VNS (Variable Neighborhood Search)
de Hansen y Mladenovic, 2001), para posteriormente proceder a una modi-
ficación de la solución por diversos métodos como los de búsquedas locales
restringidas (NSP o Vir) o bien por el Iterated Greedy (IG) desarrollado por
Ruiz y Stützle (2007), y volver con esta solución modificada al VNS. Esto nos
llevó a algoritmos que superaban, en el promedio de los resultados obtenidos
en las instancias estudiadas, al estado del arte e incluso a CPLEX, el cual
demostró igualar, si no superar, al estado del arte por su parte.
Con todo, estos algoritmos tienen un fuerte contenido estocástico, por lo que
se desarrollaron en el capítulo 4 nuevos métodos que limitan en gran medida
esta parte estocástica y permiten a los algoritmos superar cualquier método
existente hasta la fecha para casi todos los casos estudiados. El último algo-
ritmo desarrollado en esta parte de la Tesis, el NVST-IG o DIG, es un híbrido
en el que se aúnan las mejores características de los métodos desarrollados. En
él, las búsquedas locales restrictivas (NSP y Vir) se integran dentro del VNS
y como modificador de la solución se empleó el IG adaptado para evitar casi
completamente la aleatoriedad en la elección de los elementos a modificar.
No obstante, a pesar de los buenos resultados obtenidos, buscamos nuevos
237
métodos en el capítulo 4. Estos están basados en un enfoque diferente del

problema a la par que exploramos la posibilidad de realizar algoritmos que
pudieran ser empleados en paralelo, aspecto relevante dado que los modernos
ordenadores llevan en su mayoría varios procesadores (llamados núcleos o
cores) integrados en el mismo chip. Así pues, se procedió a la implemen-
tación de unos algoritmos basados en la reducción de tamaño del problema
de asignación original, lo que nos proporcionó unas buenas soluciones tanto
para tiempos de CPU cortos como largos. La idea consistió en considerar sólo
algunas de las mejores posiciones a la hora de evaluar las posibles asigna-
ciones de los trabajos a las máquinas, en lugar de todas. Esta aproximación,
supone una idea original y sencilla que además proporciona resultados muy
buenos. Finalmente, se aplicó un solver para obtener la solución definitiva. Se
presentaron diversos algoritmos, desde los más simples consistentes en tomar
sólo los tres menores valores de tiempos de proceso para cada trabajo, hasta
una implementación apoyada en DIG con una retroalimentación truncada al
solver, denominada como 2JDi(90). Además, se hicieron variaciones de los
mejores algoritmos que habíamos desarrollado para su uso en modo paralelo,
que hemos denominado M-DIG y M-2JDi(90). Esto nos llevó a resultados
significativamente mejores, para las instancias estudiadas, que la versión de
CPLEX 11.1 tanto en su uso serie como en paralelo. El resultado final fue
que el último algoritmo desarrollado, en tan solo 15 segundos, tiene un “gap”
con respecto a la mejor cota inferior conocida, de sólo 0,63 % de media en
las 1.400 instancias estudiadas, lo que deja el problema de R//Cmáx cerca de
estar cerrado.
Por último, en el capítulo 5, tratamos el problema de no usar todas las má-

quinas o de no realizar todos los trabajos, es decir, el problema con máquinas
opcionales o con selección de trabajos. Este campo apenas se ha tocado en la
literatura, a pesar de sus numerosas aplicaciones. Por ello, tuvimos primero
que probar modelos matemáticos y posteriormente ejecutarlos en un solver
CAPÍTULO 7. CONCLUSIONES Y LÍNEAS FUTURAS DE
238 INVESTIGACIÓN
comercial para comprobar sus soluciones, que resultaron proporcionar gaps

muy elevados en el caso de las máquinas opcionales pero gaps muy pequeños
cuando se trataba de selección de trabajos. Para el problema con máquinas
opcionales, se ha propuesto un sencillo ranking que ordena las máquinas de
más interesantes para la minimización del Cmáx a aquellas candidatas a no
ser usadas. Junto con el ranking, se ha presentado un algoritmo también muy
sencillo para ir seleccionando las máquinas usadas de entre las m máquinas
disponibles. Con estos dos algoritmos se han propuesto tres métodos de resolu-
ción, resultado de unir el ranking y la selección de máquinas con CPLEX 12.1
o con técnicas de búsqueda local o algoritmos metaheurísticos propuestos en
capítulos anteriores. Los resultados nos permiten concluir que la combinación
de los algoritmos de ranking y de selección de máquinas, junto a los métodos
propuestos, supera ampliamente a CPLEX en todos los tests llevados a cabo.
En cambio, para el problema de la selección de trabajos se ha observado que el
uso de CPLEX con la modelización propuesta da resultados extremadamente
buenos, óptimos en muchos casos y en cualquier caso con una desviación
media con respecto a la cota inferior de menos del 0,5 %.
En resumen, hemos desarrollado varios algoritmos para la resolución de

R//Cmáx de los cuales cabe destacar DIG, un algoritmo híbrido basado en un
VNS con cuatro vecindarios seguido de un modificador de la solución basado
en el IG mejorado, que proporciona buenos resultados para este problema.
Este algoritmo no emplea ningún tipo de solver comercial y además produce
mejores resultados a medida que se le proporciona mayor tiempo de CPU.
También se ha desarrollado el algoritmo denominado 2JDi(90) basado en
una reducción del tamaño del problema que ofrece mejores resultados que
cualquier otro método para R//Cmáx . Ambos algoritmos se han desarrollado
en sus versiones serie y paralelo. Finalmente, se ha estudiado el problema
de máquinas opcionales y selección de trabajos presentado unos algoritmos
eficaces para la resolución de máquinas opcionales, como el NAM+CPLEX y
239
el NAM+ST+DIG. También se ha mostrado como CPLEX es un buen solver

para el caso de selección de trabajos.
Es de destacar que el algoritmo DIG no solo se ha empleado en la resolución
directa del problema R//Cmáx , si no que se emplea como parte integrante
de los algoritmos 2JDi(90) y NAM+ST+DIG, mostrando su versatilidad. Así
mismo la metodología de reducción de tamaño podría ser empleada en otro
tipo de problemas.
Como trabajos futuros, nos proponemos comprobar el resultado de los

métodos propuestos para otros tipos de problemas como Q//Cmáx , así como
profundizar los problemas introducidos en este trabajo en cuanto al empleo
de máquinas opcionales y selección de trabajos, ya que estos permiten abrir
múltiples líneas de actuación. Por ejemplo, es de interés el estudio combinado
de máquinas opcionales y selección de trabajos. Igualmente, es necesario hacer
un estudio en el campo de la optimización multi-objetivo donde el Cmáx se
combina con diferentes valores de máquinas a usar y/o trabajos a realizar.
Por otra parte, y en especial en lo que se refiere al problema de las máquinas
opcionales, estamos ante un problema totalmente paralelizable, dado que cada
combinación de máquinas se puede resolver de manera independiente, por lo
que las técnicas de computación paralela y técnicas metaheurísticas cooperati-
vas pueden resultar de interés, sobre todo en estos tiempos donde encontramos
cada vez más núcleos de cómputo disponibles en los ordenadores.
Como resultado final, se han publicado dos artículos en revistas de muy

alto impacto, se han presentado dos ponencias en congresos nacionales y tres
ponencias en congresos internacionales. Los detalles de todo esto pueden verse
en el anexo F.
REFERENCIAS
Adamopoulos, G. I. y Pappis, C. P. (1998). Scheduling under a common

due-date on parallel unrelated machines. European Journal of Operational
Research, 105(3):494–501.
Allahverdi, A. y Mittenthal, J. (1994). Scheduling on m parallel machines

subject to random breakdowns to minimize expected mean flow time. Naval
Research Logistics, 41(5):677–682.
Armacost, R. y Salem, A. (2001). Unrelated parallel-machines scheduling

with setup times and machine eligibility restrictions. International Journal
of Production Economics, 70(3):215–226.
Baker, K. R. (1974). Intoduction to Sequencing and Scheduling. John Wiley

& Sons, New York.
Blazewicz, J., Ecker, K., Pesch, E., Schmidt, G., y Weglarz, J. (1996). Schedu-
ling Computer and Manufacturing Processes. Springer-Verlag, Berlin.
Blazewicz, J., Lenstra, J., y Kan, A. R. (1983). Scheduling subject to

constraints: Classification and complexity. Discrete Applied Mathematics,
5(1):11–24.
Brucker, P. (1995). Scheduling Algorithms. Springer-Verlag, Berlin.
Brucker, P. (2005). Complex Scheduling. Springer-Verlag, Berlin.
241
242 REFERENCIAS
Chen, Z. L. y Li, C. L. (2008). Scheduling with subcontracting options. IIE

Transactions, 40(12):1171–1184.
Cheng, T. C. E. y Sin, C. C. S. (1990). A state-of-the-art review of parallel-

machine scheduling research. European Journal of Operational Research,
47(3):271–292.
Chrétienne, P., Coffman, E. G., Lenstra, J. K., y Liu, Z. (1995). Scheduling

Theory and its Applications. John Wiley & Sons, New York.
Coffman, E. G., Garey, M. R., y Johnson, D. S. (1978). An application of

bin-packing to multiprocessor scheduling. SIAM Journal on Computing,
7(1):1–17.
Conway, R., Maxwell, W., y Miller, L. (1967). Theory of Scheduling. Addison-

Wesley, Reading, Massachusetts.
Croce, F., Ghirardi, M., y Tadei, R. (2004). Recovering beam search: Enhan-
cing the beam search approach for combinatorial optimization problems.
Journal of Heuristics, 10(1):89–104.
Davis, E. y Jaffe, J. M. (1981). Algorithms for scheduling tasks on unrelated

processors. Journal of the ACM, 28(4):721–736.
De, P. y Morton, T. E. (1980). Scheduling to minimise makespan on unequal

parallel processors. Management Science, 11(4):586–602.
Dell’Amico, M., Iori, M., Martello, S., y Monaci, M. (2008). Heuristic and
exact algorithms for the identical parallel machine scheduling problem.
INFORMS Journal on Computing, 20(3):333–344.
Dell’Amico, M. y Martello, S. (1995). Optimal scheduling of tasks on identical

parallel processors. ORSA Journal on Computing, 7(2):191–200.
REFERENCIAS 243
Dell’Amico, M. y Martello, S. (2005). A note on exact algorithms for the

identical parallel machine scheduling problem. European Journal of Ope-
rational Research, 160:576–578.
Dillenberger, C., Escudero, L. F., Wollensak, A., y Wu, Z. (1994). On practical

resource-allocation for production planning and scheduling with period
overlapping setups. European Journal of Operational Research, 75(2):275–
286.
Dosa, G. y Epstein, L. (2008). Preemptive scheduling on a small number of

hierarchical machines. Information and Computation, 206(5):602–619.
Epstein, L. y Favrholdt, L. M. (2005). Optimal non-preemptive semi-

online scheduling on two related machines. ACM Journal of Algorithms,
57(1):49–73.
Fanjul-Peyro, L. y Ruiz, R. (2010a). Iterated greedy local search methods for

unrelated parallel machine scheduling. European Journal of Operational
Research., 207(1):55–69.
Fanjul-Peyro, L. y Ruiz, R. (2010b). Size-reduction heuristics for the unrelated

parallel machines scheduling problem. Computers & Operations Research.
In press.
Finke, G., Lemaire, P., Proth, J. M., y Queyranne, M. (2009). Minimizing the
number of machines for minimum length schedules. European Journal of
Operational Research, 199(3):702–705.
Fishkin, A. V., Jansen, K., y Mastrolilli, M. (2008). Grouping techniques for

scheduling problems: Simpler and faster. Algorithmica, 51(2):183–199.
French, S. (1982). Sequencing and Scheduling: An Introduction to the Mathe-

matics of the Job-Shop. Ellis Horwood Limited, Chichester.
244 REFERENCIAS
Friesen, D. K. (1984). Tighter bounds for multifit processor scheduling algo-

rithm. SIAM Journal on Computing, 13(1):170–181.
Friesen, D. K. (1987). Tighter bounds for LPT scheduling on uniform proces-

sors. SIAM Journal on Computing, 16(3):554–560.
Friesen, D. K. y Langston, M. A. (1983). Bounds for multifit scheduling on

uniform machines. SIAM Journal on Computing, 12(1):60–70.
Gairing, M., Monien, B., y Woclaw, A. (2007). A faster combinatorial appro-

ximation algorithm for scheduling unrelated parallel machines. Theoretical
Computer Science, 380(1-2):87–99.
Gantt, H. (1910). Work, Wages and Profit. Their influence on the cost of living.
The Engineering Magazine Co, New York.
Gantt, H. (1919). Organizing for Work. Harcourt, Brace and Howe, New York.
Garey, M. R. y Johnson, D. S. (1979). Computers and Intractability:A Guide

to the Theory of N P-Completeness. Freeman. San Francisco.
Ghirardi, M. y Potts, C. N. (2005). Makespan minimization for scheduling

unrelated parallel machines: A recovering beam search approach. European
Journal of Operational Research, 165(2):457–467.
Glass, C. A., Potts, C. N., y Shade, P. (1994). Unrelated parallel machine

scheduling using local search. Mathematical and Computer Modelling,
20(2):41–52.
Gonzalez, T., Ibarra, O. H., y Sahni, S. (1977). Bounds for lpt schedules on
uniform processors. SIAM Journal on Computing, 6(1):155–166.
Graham, R. L. (1966). Bounds for certain multiprocessor anomalies. Bell

System Technical Journal, 45(1):1563–1581.
REFERENCIAS 245
Graham, R. L. (1969). Bounds on multiprocessing timing anomalies. SIAM

Journal on Applied Mathematics, 17(2):416–429.
Graham, R. L., Lawler, E. L., Lenstra, J. K., y Rinnooy Kan, A. H. G.

(1979). Optimization and Approximation in Deterministic Sequencing and
Scheduling: A Survey. Annals of Discrete Mathematics, 5(1):287–326.
Hansen, P. y Mladenovic, N. (2001). Variable neighborhood search: Principles

and applications. European Journal of Operational Research, 130(3):449–
467.
Hariri, A. M. A. y Potts, C. N. (1991). Heuristics for scheduling unrelated

parallel machines. Computers & Operations Research, 18(3):323–331.
Herrmann, J., Proth, J. M., y Sauer, N. (1997). Heuristics for unrelated machine
scheduling with precedence constraints. European Journal of Operational
Research, 102(3):528–537.
Hochbaum, D. S. (1997). Approximation Algorithms for NP-hard Problems.

PWS Publishing Co., Boston.
Hochbaum, D. S. y Shmoys, D. (1987). Using dual approximation algorithms

for scheduling problems: Theoretical and practical results. Journal of the
ACM, 34(1):144–162.
Hochbaum, D. S. y Shmoys, D. (1988). A polynomial approximation sche-

me for scheduling on uniform processors: using the dual approximation
approach. SIAM Journal on Computing, 17(3):539–551.
Horowitz, E. y Sahni, S. (1976). Exact and approximate algorithms for

scheduling nonidentical processors. Journal of the ACM, 23(2):317–327.
Ibarra, O. H. y Kim, C. E. (1977). Heuristic algorithms for scheduling indepen-

dent tasks on nonidentical processors. Journal of the ACM, 24(2):280–289.
246 REFERENCIAS
Jackson, J. R. (1956). An extension of johnson’s results on job lot scheduling.

Naval Research Logistics Quarterly, 3:201–203.
Jansen, K. y Porkolab, L. (1999). Linear time approximation schemes for sche-

duling malleable parallel tasks. In Proceedings of the 10th Annual ACM-
SIAM Symposium on Discrete Algorithms (SODA’99), página 490–498.
Johnson, S. M. (1954). Optimal two- and three-stage production schedules

with setup times included. Naval Research Logistics Quarterly, 1(1):61–68.
Karp, R. M. (1975). Reducibility among combinatorial problems. The Journal

of Symbolic Logic, 40(4):618–619.
Kravchenko, S. A. y Werner, F. (2009). Minimizing the number of machines

for scheduling jobs with equal processing times. European Journal of
Lancia, G. (2000). Scheduling jobs with release dates and tails on two
unrelated parallel machines to minimize the makespan. European Journal
of Operational Research, 120(2):277–288.
Langston, M. A. (1981). Processor scheduling with improved heuristic algo-

rithms. Tesis doctoral, Texas A&M University, College Station, Texas.
Lawler, E., Lenstra, J., y Kan, A. R. (1993). Sequencing and scheduling:

Algorithms amd complexity. Handbooks in Operations Research and Ma-
nagement Science, 4(1):445–522.
Lenstra, J. K., Rinnooy Kan, A. H. G., y Brucker, P. (1977). Complexity of

machine scheduling problems. Annals of Discrete Mathematics, 1(1):343–
362.
Lenstra, J. K., Shmoys, D. B., y Tardos, E. (1990). Approximation algorithms

for scheduling unrelated parallel machines. Mathematical Programming,
46(3):259–271.
REFERENCIAS 247
Li, C. (2006). Scheduling unit-length jobs with machine eligibility restrictions.

European Journal of Operational Research, 174(2):1325–1328.
Lin, Y. y Li, W. (2004). Parallel machine scheduling of machine-dependent

jobs with unit-length. European Journal of Operational Research,
156(1):261–266.
Liu, J. W. S. y Liu, C. L. (1974). Bounds on scheduling algorithms for

heterogeneous computing systems. Information Processing, J. L. Rosenfeld,
ed., North-Holland, Amsterdam, 74(1):349–353.
Mansini, R. y Speranza, M. G. (1999). Heuristic algorithms for the portfolio

selection problem with minimum transaction lots. European Journal of
Martello, S., Soumis, F., y Toth, P. (1997). Exact and approximation algo-
rithms for makespan minimization on unrelated parallel machines. Discrete
Applied Mathematics, 75(2):169–188.
McNaughton, R. (1959). Scheduling with deadlines and loss functions. Ma-

nagement Science, 6(1):1–12.
Mokotoff, E. (2001). Parallel machine scheduling problems: A survey. Asia-

Pacific Journal of Operational Research, 18(2):193–242.
Mokotoff, E. (2004). An exact algorithm for the identical parallel machine

scheduling problem. European Journal of Operational Research, 152:758–
769.
Mokotoff, E. y Chretienne, P. (2002). A cutting plane algorithm for the unrela-

ted parallel machine scheduling problem. European Journal of Operational
Research, 141(3):515–525.
Mokotoff, E. y Jimeno, J. L. (2002). Heuristics based on partial enumeration

for the unrelated parallel processor scheduling problem. Annals of Opera-
tions Research, 117(1-4):133–150.
248 REFERENCIAS
Montgomery, D. C. (2009). Design and Analysis of Experiments. Wiley, New

York, septima edición.
Ovacik, I. M. y Uzsoy, R. (1996). Decomposition methods for scheduling

semiconductor testing facilities. International Journal of Flexible Manufac-
turing Systems, 8(4):357–388.
Ow, P. S. y Morton, T. E. (1988). Filtered beam search in scheduling. Interna-

tional Journal of Production Research, 26(1):35–62.
Piersma, N. y van Dijk, W. (1996). A local search heuristic for unrelated para-
llel machine scheduling with efficient neighborhood search. Mathematical
and Computer Modelling, 24(9):11–19.
Pinedo, M. (2008). Scheduling: Theory, Algorithms and Systems. Prentice

Hall, New Jersey, tercera edición.
Pinedo, M. (2009). Planning and Scheduling in Manufacturing and Services.

Springer Series in Operations Research and Financial Engineering, segunda
edición.
Portmann, M. (1997). Scheduling methology: optimization and compusearch

approches I. The Planning ans Shedulig of Production Systems. Methodo-
logies and Applications, London. Chapman & Hall.
Potts, C. N. (1985). Analysis of a linear-programming heuristic for scheduling

unrelated parallel machines. Discrete Applied Mathematics, 10(2):155–164.
Raghavan, P. y Thompson, C. D. (1987). Randomized rounding: a techni-

que for provably good algorithms and algorithmic proofs. Combinatorica,
7(4):365–374.
Rinnooy Kan, A. H. G. (1976). Machine Scheduling Problems: Classification,

Complexity and Computations. Martinus Nijhoff, The Hague.
REFERENCIAS 249
Ruiz, R. y Stützle, T. (2007). A simple and effective iterated greedy algorithm

for the permutation flowshop scheduling problem. European Journal of
Sahni, S. (1976). Algorithms for scheduling independent tasks. Journal of the

ACM, 23(1):116–127.
Schuurman, P. y Woeginger, G. (1999). Polynomial time approximation algo-

rithms for machine scheduling: Ten open problems. Journal of Scheduling,
2(5):203–213.
Seiden, S., Sgall, J., y Woeginger, G. J. (2000). Semi-online scheduling with

decreasing job sizes. Operations Research Letters, 27(5):215–221.
Shchepin, E. V. y Vakhania, N. (2005). An optimal rounding gives a better

approximation for scheduling unrelated machines. Operations Research
Letters, 33(2):127–133.
Shmoys, D. B. y Tardos, E. (1993). An approximation algorithm for the

generalized assignment problem. Mathematical Programming, 62(3):461–
474.
Smith, W. E. (1956). Various optimizers for single-stage production. Naval

Research Logistics Quarterly, 3(1):59–66.
Sourd, F. (2001). Scheduling tasks on unrelated machines: Large neighborhood

improvement procedures. Journal of Heuristics, 7(6):519–531.
Srivastava, B. (1998). An effective heuristic for minimising makespan on

unrelated parallel machines. Journal of the Operational Research Society,
49(8):886–894.
Tsang, E. y Voudouris, C. (1997). Fast local search and guided local search
and their application to british telecom’s workforce scheduling problem.
Operations Research Letters, 20(3):119–127.
250 REFERENCIAS
Unlu, Y. y Mason, S. J. (2010). Evaluation of mixed integer programming

formulations for non-preemptive parallel machine scheduling problems.
Computers & Industrial Engineering, 58(4):785–800.
Vallada, E. y Ruiz, R. (2010). Genetic algorithms for the unrelated parallel ma-
chine scheduling problem with sequence dependent setup times. European
Journal of Operational Research. In review.
Van De Velde, S. L. (1993). Duality based algorithms for scheduling unrelated

parallel machines. ORSA Journal on Computing, 5(5):192–205.
Woclaw, A. (2006). Scheduling Unrelated Parallel Machines Algorithms,

Complexity, and Performance. Tesis doctoral, Fakultat fur Elektrotechnik,
Informatik und Mathematik der Universitat Paderborn, Deutschland.
Yu, L., Shih, H. M., Pfund, M., Carlyle, W. M., y Fowler, J. W. (2002). Schedu-
ling of unrelated parallel machines: an application to PWB manufacturing.
IIE Transactions, 34(11):921–931.
ANEXO
A
TABLAS DE LOS ALGORITMOS INICIALES
En el presente anexo se detallan las tablas completas de todos los intervalos

de tiempos de proceso objeto de estudio. En ellas se reflejan todas las instan-
cias, una a una. Se designará con n el número de trabajos, con m el número de
máquinas y con i la instancia que corresponda.
Las tablas muestras los resultados de CPLEX 11.0 y la media de las 5 replicas
de los algoritmos iniciales propuestos tras 15 segundos, mientras que estos 15
segundos los emplea Partial en su segunda fase (lo que le lleva en ocasiones
a tiempos totales de más de 60 segundos) y RBS utiliza el tiempo que precise
hasta su finalización (llegando a tiempos superiores, en ocasiones, a los 100
segundos). Así mismo, en la última columna, se refleja el tiempo necesario
para alcanzar el óptimo por CPLEX 11.0 dentro del margen de dos horas, o en
caso de no alcanzar el óptimo en esas dos horas, el Gap, es decir, la diferencia,
en tanto por cien, entre el Cmáx hallado, y la cota inferior, o LB, que vendrán
reflejados en negrita y se han calculado según la formula:
Cmáx − LB
Gap( %) = · 100 (A.1)
Cmáx
251
252 ANEXO A. TABLAS ALGORITMOS INICIALES
A.1. Tabla completa para el intervalo U(1,100)
n m i CPLEX Partial RBS IGS IGD NSP Vir Cmáx t. o Gap

100 10 1 0,00 0,00 1,71 0,00 0,00 0,17 0,00 117 5,89 seg
100 10 2 0,00 0,00 3,45 0,00 0,00 0,00 0,00 87 0,41 seg
100 10 3 0,00 1,02 2,04 0,00 0,00 0,20 0,00 98 7,16 seg
100 10 4 0,00 0,87 1,74 0,87 0,87 0,35 0,35 115 7,42 seg
100 10 5 0,00 0,96 1,92 0,58 0,96 0,58 0,96 104 8,84 seg
100 10 6 0,00 0,99 2,97 0,00 0,00 0,20 0,00 101 3,44 seg
100 10 7 0,00 0,00 3,51 0,00 0,00 0,00 0,00 114 10,7 seg
100 10 8 0,00 0,00 1,94 0,00 0,00 0,00 0,00 103 3,11 seg
100 10 9 0,00 0,00 2,63 0,00 0,00 0,53 0,18 114 1,84 seg
100 10 10 0,00 0,00 2,04 0,00 0,20 0,20 0,00 98 4,56 seg
100 20 1 0,00 0,00 3,33 0,00 0,67 0,00 1,33 30 4,58 seg
100 20 2 0,00 0,00 2,78 0,00 0,00 1,11 0,56 36 6,52 seg
100 20 3 0,00 0,00 0,00 0,00 0,00 0,00 0,00 32 4,61 seg
100 20 4 0,00 0,00 3,03 0,00 0,61 0,00 0,00 33 6,3 seg
100 20 5 0,00 0,00 3,23 0,65 0,00 0,65 1,29 31 3,5 seg
100 20 6 0,00 3,45 3,45 2,07 3,45 3,45 3,45 29 4,55 seg
100 20 7 0,00 2,86 2,86 0,57 1,14 1,71 1,14 35 11,58 seg
100 20 8 0,00 0,00 3,33 1,33 3,33 1,33 2,67 30 1,58 seg
100 20 9 0,00 0,00 3,33 0,00 0,00 0,00 0,67 30 2,2 seg
100 20 10 0,00 0,00 3,45 0,00 0,69 2,07 0,69 29 0,59 seg
100 30 1 0,00 5,26 0,00 0,00 0,00 0,00 0,00 19 0,34 seg
100 30 2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 23 0,41 seg
100 30 3 0,00 0,00 6,25 6,25 6,25 6,25 6,25 16 1,17 seg
100 30 4 0,00 0,00 0,00 0,00 0,00 2,22 0,00 18 0,34 seg
100 30 5 0,00 6,25 0,00 0,00 2,50 0,00 0,00 16 1,33 seg
100 30 6 0,00 0,00 0,00 0,00 0,00 0,00 0,00 24 0,36 seg
100 30 7 0,00 0,00 5,88 0,00 5,88 0,00 2,35 17 2,11 seg
A.1. Tabla completa para el intervalo U(1,100) 253

100 30 8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 19 0,48 seg
100 30 9 0,00 12,50 0,00 0,00 0,00 0,00 0,00 16 0,42 seg
100 30 10 0,00 5,88 0,00 0,00 0,00 0,00 0,00 17 0,38 seg
100 40 1 0,00 10,00 10,00 4,00 14,00 10,00 10,00 10 0,36 seg
100 40 2 0,00 8,33 0,00 0,00 3,33 0,00 0,00 12 0,45 seg
100 40 3 0,00 16,67 8,33 1,67 16,67 8,33 8,33 12 0,34 seg
100 40 4 0,00 30,00 0,00 0,00 0,00 0,00 0,00 10 0,41 seg
100 40 5 0,00 9,09 9,09 9,09 9,09 9,09 9,09 11 0,51 seg
100 40 6 0,00 0,00 0,00 0,00 0,00 0,00 0,00 12 0,34 seg
100 40 7 0,00 0,00 0,00 0,00 0,00 0,00 0,00 14 0,39 seg
100 40 8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 13 0,41 seg
100 40 9 0,00 0,00 0,00 0,00 0,00 0,00 0,00 23 0,34 seg
100 40 10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 14 0,39 seg
100 50 1 0,00 12,50 0,00 0,00 5,00 0,00 0,00 8 0,31 seg
100 50 2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 13 0,31 seg
100 50 3 0,00 0,00 0,00 0,00 0,00 0,00 0,00 10 0,39 seg
100 50 4 0,00 0,00 0,00 0,00 0,00 0,00 0,00 11 0,34 seg
100 50 5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 9 0,33 seg
100 50 6 0,00 10,00 0,00 0,00 0,00 0,00 0,00 10 0,28 seg
100 50 7 0,00 12,50 0,00 12,50 12,50 12,50 12,50 8 0,34 seg
100 50 8 0,00 0,00 0,00 0,00 0,00 0,00 0,00 11 0,38 seg
100 50 9 0,00 11,11 0,00 0,00 11,11 0,00 0,00 9 0,39 seg
100 50 10 0,00 33,33 0,00 0,00 0,00 0,00 0,00 9 0,42 seg
200 10 1 0,49 0,00 0,98 0,10 0,20 0,39 0,29 204 1023,5 seg
200 10 2 0,00 0,00 2,45 0,29 0,59 0,39 0,49 204 28,63 seg
200 10 3 0,00 1,02 1,02 0,51 0,61 0,71 0,61 197 11,66 seg
200 10 4 0,00 0,00 1,03 0,82 0,92 0,92 1,03 195 9,66 seg
200 10 5 0,00 0,92 1,83 0,64 0,46 0,83 0,46 218 28,19 seg
200 10 6 0,55 0,00 0,55 0,22 0,00 0,22 0,00 183 177,38 seg

200 10 7 0,00 0,00 1,06 0,00 0,00 0,32 0,11 189 5,88 seg
200 10 8 0,00 0,51 1,01 0,10 0,10 0,00 0,20 198 305,55 seg
200 10 9 0,51 0,51 1,52 0,41 0,30 0,41 0,30 197 199,63 seg
200 10 10 0,49 0,49 1,94 0,58 0,68 0,78 0,68 206 58,92 seg
200 20 1 1,82 0,00 0,00 0,00 0,36 0,00 0,73 55 236,03 seg
200 20 2 1,72 1,72 3,45 1,38 1,72 1,03 1,38 58 90,34 seg
200 20 3 0,00 0,00 1,89 1,13 1,13 0,75 1,51 53 4,27 seg
200 20 4 1,67 1,67 3,33 3,00 3,33 3,33 3,00 60 78,25 seg
200 20 5 1,82 0,00 0,00 1,45 1,09 1,82 0,36 55 503,16 seg
200 20 6 1,69 3,39 1,69 2,37 1,69 2,37 1,69 59 102,91 seg
200 20 7 3,45 1,72 3,45 3,45 3,10 3,45 3,45 58 409,78 seg
200 20 8 1,79 1,79 3,57 1,79 1,79 1,79 1,79 56 30,86 seg
200 20 9 1,72 1,72 1,72 0,34 1,38 1,03 1,03 58 40,92 seg
200 20 10 1,85 1,85 3,70 1,85 1,85 2,59 1,85 54 58,88 seg
200 30 1 3,70 3,70 3,70 3,70 4,44 4,44 3,70 27 17,03 seg
200 30 2 3,70 0,00 3,70 2,96 3,70 2,96 3,70 27 27,42 seg
200 30 3 0,00 3,57 3,57 1,43 1,43 2,86 2,86 28 62,67 seg
200 30 4 0,00 0,00 0,00 2,22 0,74 2,22 0,00 27 28,48 seg
200 30 5 0,00 4,17 4,17 2,50 4,17 4,17 3,33 24 8,76 seg
200 30 6 0,00 0,00 3,23 0,65 1,94 1,94 0,65 31 22,52 seg
200 30 7 0,00 0,00 3,70 0,00 1,48 0,00 0,00 27 45,75 seg
200 30 8 3,57 0,00 3,57 3,57 3,57 3,57 3,57 28 23,27 seg
200 30 9 6,90 3,45 6,90 3,45 3,45 4,14 4,14 29 35,25 seg
200 30 10 3,33 3,33 3,33 3,33 3,33 3,33 3,33 30 55,31 seg
200 40 1 5,88 0,00 0,00 1,18 5,88 1,18 3,53 17 101,41 seg
200 40 2 5,88 5,88 5,88 5,88 5,88 8,24 5,88 17 50,3 seg
200 40 3 0,00 0,00 6,25 2,50 6,25 2,50 1,25 16 8,94 seg
200 40 4 0,00 0,00 0,00 0,00 3,53 4,71 0,00 17 5,55 seg
200 40 5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 19 0,84 seg

200 40 6 0,00 0,00 0,00 0,00 2,22 0,00 0,00 18 11,16 seg
200 40 7 0,00 0,00 5,56 5,56 5,56 5,56 5,56 18 27,69 seg
200 40 8 5,88 5,88 5,88 5,88 7,06 7,06 5,88 17 34,8 seg
200 40 9 7,14 0,00 7,14 7,14 7,14 7,14 7,14 14 17,17 seg
200 40 10 5,56 5,56 11,11 5,56 5,56 5,56 5,56 18 27,61 seg
200 50 1 0,00 0,00 7,69 0,00 4,62 0,00 4,62 13 5,83 seg
200 50 2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 16 1,45 seg
200 50 3 0,00 16,67 8,33 8,33 8,33 8,33 8,33 12 9,73 seg
200 50 4 0,00 8,33 8,33 6,67 6,67 8,33 6,67 12 9,27 seg
200 50 5 0,00 7,69 0,00 7,69 7,69 7,69 7,69 13 12,95 seg
200 50 6 0,00 0,00 0,00 0,00 3,33 1,67 0,00 12 21,91 seg
200 50 7 0,00 7,69 0,00 0,00 0,00 1,54 0,00 13 5,81 seg
200 50 8 0,00 16,67 8,33 8,33 8,33 8,33 8,33 12 11,22 seg
200 50 9 7,69 7,69 7,69 7,69 12,31 7,69 9,23 13 17,92 seg
200 50 10 8,33 8,33 8,33 8,33 8,33 8,33 8,33 12 32,81 seg
500 10 1 0,20 0,40 1,00 0,72 0,72 0,84 0,72 501 117,92 seg
500 10 2 0,41 0,21 1,03 0,66 0,62 0,54 0,45 484 27,78 seg
500 10 3 0,00 0,40 0,40 0,40 0,40 0,52 0,44 500 120,86 seg
500 10 4 0,21 0,21 0,43 0,51 0,51 0,38 0,47 469 1249,16 seg
500 10 5 0,40 0,20 0,40 0,52 0,44 0,56 0,36 503 265,88 seg
500 10 6 0,20 0,40 1,81 0,60 0,68 0,64 0,64 497 139,45 seg
500 10 7 0,44 0,66 1,10 0,57 0,48 0,57 0,40 455 217,17 seg
500 10 8 0,43 0,21 1,71 0,77 0,73 0,64 0,86 467 254,11 seg
500 10 9 0,41 0,20 0,41 0,29 0,37 0,37 0,33 490 0,2 %
500 10 10 0,21 0,21 1,45 0,70 0,66 0,66 0,62 483 321,47 seg
500 20 1 0,74 0,74 1,48 2,37 2,37 3,11 1,93 135 138,55 seg
500 20 2 1,54 0,77 1,54 2,46 2,77 2,77 2,00 130 171,59 seg
500 20 3 1,46 1,46 1,46 2,92 2,77 2,63 2,19 137 3641,05 seg
500 20 4 2,17 1,45 1,45 2,46 2,61 2,46 2,17 138 6097,81 seg

500 20 5 1,36 0,68 1,36 2,04 2,04 2,04 1,50 147 0,68 %
500 20 6 1,49 1,49 1,49 2,24 2,39 1,94 1,49 134 3142,56 seg
500 20 7 0,00 0,76 1,52 2,27 2,27 2,27 2,12 132 13,75 seg
500 20 8 0,74 0,00 1,47 2,06 1,47 2,06 1,47 136 0,74 %
500 20 9 1,46 1,46 1,46 2,19 2,48 2,48 2,19 137 386,7 seg
500 20 10 1,61 0,81 1,61 1,77 1,77 1,77 1,29 124 0,81 %
500 30 1 3,23 3,23 1,61 3,23 3,23 3,55 3,23 62 52,48 seg
500 30 2 4,41 2,94 2,94 4,41 4,12 4,12 2,94 68 382,5 seg
500 30 3 1,49 1,49 1,49 3,58 3,28 3,88 2,99 67 1647,09 seg
500 30 4 6,06 6,06 3,03 5,76 5,15 5,15 3,94 66 4540,97 seg
500 30 5 0,00 0,00 0,00 2,99 2,09 2,69 1,49 67 1,49 %
500 30 6 3,13 1,56 1,56 2,81 2,81 3,13 1,88 64 1,56 %
500 30 7 4,92 3,28 1,64 4,59 4,92 4,92 3,61 61 4455,2 seg
500 30 8 3,03 1,52 3,03 4,55 3,94 4,85 3,03 66 874,26 seg
500 30 9 4,76 1,59 3,17 4,76 4,76 5,08 3,81 63 1795,39 seg
500 30 10 2,94 1,47 1,47 3,82 3,53 4,71 2,65 68 33,11 seg
500 40 1 2,56 5,13 2,56 3,59 3,59 5,13 3,08 39 103,73 seg
500 40 2 2,56 5,13 2,56 4,62 5,13 6,15 4,10 39 1129,17 seg
500 40 3 2,56 0,00 2,56 4,10 3,59 4,62 2,56 39 1109,48 seg
500 40 4 5,13 2,56 2,56 5,13 4,62 5,13 4,10 39 57,75 seg
500 40 5 7,69 5,13 2,56 5,13 5,13 5,13 5,13 39 672,38 seg
500 40 6 5,26 5,26 2,63 5,26 5,26 6,84 4,74 38 2097,22 seg
500 40 7 5,13 5,13 0,00 3,59 2,56 3,59 2,56 39 2,56 %
500 40 8 2,50 0,00 0,00 2,50 2,50 3,50 1,50 40 2,5 %
500 40 9 0,00 0,00 0,00 2,56 2,56 2,56 2,56 39 2,56 %
500 40 10 8,11 8,11 2,70 5,41 4,86 5,95 4,86 37 100,14 seg
500 50 1 3,85 3,85 0,00 4,62 5,38 6,92 3,85 26 380,31 seg
500 50 2 3,70 3,70 0,00 6,67 4,44 7,41 3,70 27 37,38 seg
500 50 3 3,85 3,85 0,00 3,85 3,85 6,15 3,85 26 28,25 seg

500 50 4 7,41 11,11 3,70 7,41 7,41 7,41 3,70 27 96,84 seg
500 50 5 7,69 7,69 3,85 6,15 4,62 7,69 3,85 26 540,67 seg
500 50 6 7,41 11,11 3,70 7,41 7,41 9,63 7,41 27 1302,88 seg
500 50 7 3,57 3,57 0,00 3,57 3,57 3,57 2,86 28 3,57 %
500 50 8 7,69 7,69 3,85 8,46 7,69 9,23 7,69 26 210,52 seg
500 50 9 3,70 3,70 0,00 5,19 3,70 5,19 3,70 27 3,7 %
500 50 10 7,41 7,41 3,70 7,41 7,41 8,89 7,41 27 1195,7 seg
1000 10 1 0,10 0,10 1,43 0,49 0,53 0,57 0,51 977 1547,67 seg
1000 10 2 0,11 0,11 0,55 0,46 0,49 0,46 0,44 905 253,53 seg
1000 10 3 0,20 0,10 0,20 0,39 0,39 0,41 0,37 978 6374,25 seg
1000 10 4 0,10 0,21 0,21 0,35 0,40 0,40 0,29 960 1149,09 seg
1000 10 5 0,10 0,00 1,04 0,35 0,33 0,37 0,33 964 18,05 seg
1000 10 6 0,00 0,10 1,33 0,45 0,37 0,37 0,31 974 0,1 %
1000 10 7 0,32 3,40 0,42 0,38 0,36 0,36 0,36 942 295,28 seg
1000 10 8 0,40 0,81 0,81 0,48 0,51 0,46 0,42 990 1840,55 seg
1000 10 9 0,53 0,32 0,53 0,45 0,43 0,38 0,45 937 1662,3 seg
1000 10 10 0,00 0,20 0,81 0,34 0,34 0,32 0,28 986 0,1 %
1000 20 1 1,16 0,78 0,78 1,16 1,24 1,16 1,16 258 127,17 seg
1000 20 2 1,12 1,12 0,75 1,12 0,90 1,27 0,97 267 0,37 %
1000 20 3 1,58 1,58 0,40 1,11 1,11 1,19 0,87 253 0,4 %
1000 20 4 1,88 0,75 1,13 1,58 1,65 1,58 1,35 266 595,28 seg
1000 20 5 1,45 1,09 1,09 0,94 1,09 1,09 1,01 276 0,36 %
1000 20 6 1,12 0,75 1,12 1,95 1,87 1,95 1,65 267 2495,17 seg
1000 20 7 1,43 0,72 0,72 1,29 1,36 1,15 1,15 279 0,36 %
1000 20 8 0,74 0,00 1,47 1,54 1,76 1,91 1,62 272 77,2 seg
1000 20 9 1,50 1,50 1,12 1,42 1,42 1,27 1,05 267 0,37 %
1000 20 10 1,54 0,77 2,31 2,23 2,15 2,08 2,08 260 1028,27 seg
1000 30 1 1,55 0,78 0,78 2,64 2,79 3,10 2,17 129 0,78 %
1000 30 2 2,19 2,19 1,46 2,63 2,48 2,77 2,19 137 0,73 %

1000 30 3 4,07 1,63 1,63 2,60 2,60 2,76 2,44 123 678,8 seg
1000 30 4 2,38 0,79 2,38 3,65 3,65 4,13 3,02 126 2894 seg
1000 30 5 1,56 2,34 1,56 2,97 2,97 3,13 2,34 128 0,78 %
1000 30 6 3,20 2,40 2,40 3,68 3,20 3,52 3,20 125 538,53 seg
1000 30 7 1,56 3,13 0,78 3,91 3,28 3,91 2,50 128 66,34 seg
1000 30 8 2,38 1,59 1,59 3,17 3,33 3,49 2,86 126 4969,34 seg
1000 30 9 1,56 3,13 1,56 3,44 2,97 3,44 3,13 128 3109,19 seg
1000 30 10 3,15 2,36 1,57 3,78 3,62 3,94 3,15 127 100,09 seg
1000 40 1 6,76 5,41 2,70 5,95 5,41 5,95 5,14 74 2443,94 seg
1000 40 2 4,11 4,11 1,37 4,11 4,11 4,93 3,29 73 1828,64 seg
1000 40 3 5,19 3,90 2,60 4,94 4,42 5,19 4,42 77 603,69 seg
1000 40 4 4,00 5,33 1,33 4,80 4,53 5,33 3,73 75 3375,47 seg
1000 40 5 2,60 3,90 2,60 4,94 4,94 4,68 3,90 77 130,86 seg
1000 40 6 5,33 4,00 2,67 5,33 5,33 5,33 4,27 75 265,11 seg
1000 40 7 0,00 3,90 0,00 2,60 2,60 2,86 2,08 77 1,3 %
1000 40 8 5,33 4,00 2,67 5,87 5,07 5,87 5,07 75 1839,72 seg
1000 40 9 5,26 3,95 1,32 4,47 4,47 5,00 3,68 76 428,06 seg
1000 40 10 4,05 2,70 2,70 5,14 5,41 4,86 4,05 74 7100,34 seg
1000 50 1 5,88 5,88 3,92 6,67 6,67 7,45 5,88 51 602,16 seg
1000 50 2 8,16 10,20 2,04 6,12 6,53 7,35 5,71 49 2833,36 seg
1000 50 3 3,92 1,96 1,96 5,88 5,88 6,67 4,31 51 986,56 seg
1000 50 4 5,88 5,88 1,96 6,67 5,88 7,84 5,49 51 4656,75 seg
1000 50 5 3,92 0,00 1,96 5,88 5,49 5,88 3,92 51 328,14 seg
1000 50 6 5,88 0,00 0,00 3,92 3,92 3,92 1,96 51 1,96 %
1000 50 7 8,00 6,00 2,00 6,00 6,00 6,00 4,80 50 3050,95 seg
1000 50 8 11,32 5,66 0,00 4,53 4,53 5,28 3,02 53 1,89 %
1000 50 9 5,56 5,56 1,85 5,56 5,56 6,30 4,81 54 1499,34 seg
1000 50 10 1,92 3,85 0,00 5,38 4,62 5,38 3,85 52 194,44 seg
Tabla A.1 – Tabla completa para el intervalo U(1,100).

100 10 1 0,00 1,01 2,02 0,51 0,40 0,61 0,30 198 8,98 seg
100 10 2 0,00 0,00 0,58 0,00 0,00 0,00 0,00 173 0,53 seg
100 10 3 0,00 0,00 2,19 0,00 0,00 0,00 0,11 183 16,44 seg
100 10 4 0,58 0,58 1,16 0,69 0,58 0,46 0,35 173 40,92 seg
100 10 5 0,00 0,00 1,67 1,11 0,89 1,11 1,11 180 3,78 seg
100 10 6 0,00 0,57 2,29 0,80 0,57 1,37 0,69 175 5,59 seg
100 10 7 0,00 0,00 0,00 0,00 0,00 0,11 0,00 175 1482,23 seg
100 10 8 0,00 0,56 0,56 0,67 0,56 0,78 0,45 179 17,72 seg
100 10 9 0,00 0,58 1,17 0,58 0,58 0,58 0,58 171 3,3 seg
100 10 10 0,00 0,57 2,84 0,57 0,45 0,68 0,11 176 3,41 seg
100 20 1 0,00 0,00 1,41 1,41 1,69 1,41 1,41 71 4,08 seg
100 20 2 0,00 0,00 2,70 1,35 1,35 1,35 1,35 74 189,3 seg
100 20 3 2,70 1,35 2,70 0,00 0,54 1,08 0,00 74 1,35 %
100 20 4 0,00 0,00 2,70 0,81 1,62 1,89 1,08 74 1747,55 seg
100 20 5 0,00 1,41 2,82 0,00 0,00 0,00 0,00 71 1,41 %
100 20 6 1,27 1,27 3,80 1,27 1,27 1,27 1,27 79 1,27 %
100 20 7 1,37 0,00 1,37 1,37 1,37 1,10 0,82 73 1,37 %
100 20 8 1,33 0,00 4,00 1,87 1,87 1,60 1,33 75 1,33 %
100 20 9 0,00 0,00 2,70 0,00 0,00 0,00 0,00 74 2945,86 seg
100 20 10 1,27 1,27 2,53 1,77 2,78 2,53 1,27 79 24,3 seg
100 30 1 0,00 6,38 4,26 1,70 3,40 1,28 1,70 47 8,72 seg
100 30 2 4,26 0,00 4,26 0,00 2,98 1,70 0,00 47 2,13 %
100 30 3 8,51 0,00 4,26 2,13 2,13 2,13 1,28 47 4,26 %
100 30 4 0,00 0,00 6,25 2,08 2,92 1,67 1,67 48 2,08 %
100 30 5 0,00 2,22 6,67 1,33 3,56 1,33 1,33 45 11,2 seg
100 30 6 0,00 2,04 4,08 2,04 2,45 2,04 2,04 49 9,11 seg
100 30 7 4,26 0,00 2,13 0,43 2,13 0,85 0,00 47 4,26 %

100 30 8 2,22 2,22 4,44 4,44 4,44 4,00 4,00 45 210,17 seg
100 30 9 2,17 0,00 4,35 2,17 2,61 2,17 2,17 46 2,17 %
100 30 10 0,00 0,00 4,17 0,42 4,17 1,67 0,42 48 326,98 seg
100 40 1 0,00 0,00 5,88 2,94 8,24 3,53 2,94 34 7,36 seg
100 40 2 0,00 0,00 0,00 0,57 4,57 0,57 1,14 35 25,33 seg
100 40 3 0,00 0,00 2,94 2,94 5,88 3,53 2,94 34 9,47 seg
100 40 4 0,00 0,00 5,88 3,53 6,47 5,29 3,53 34 8,38 seg
100 40 5 0,00 2,94 5,88 5,29 5,88 5,88 5,29 34 9,88 seg
100 40 6 0,00 0,00 2,78 1,11 3,33 1,67 0,00 36 2,78 %
100 40 7 0,00 2,94 5,88 4,12 5,88 4,12 3,53 34 7,83 seg
100 40 8 0,00 2,94 8,82 3,53 5,88 4,71 2,94 34 8,14 seg
100 40 9 2,94 0,00 2,94 1,18 4,12 2,94 1,76 34 68,8 seg
100 40 10 0,00 5,88 8,82 2,94 5,88 2,94 2,94 34 9,97 seg
100 50 1 0,00 0,00 10,71 0,00 0,00 0,00 0,00 28 6,33 seg
100 50 2 0,00 0,00 14,81 1,48 8,15 5,19 2,22 27 3,41 seg
100 50 3 0,00 0,00 7,14 0,00 0,00 0,00 0,00 28 4 seg
100 50 4 3,33 0,00 3,33 0,67 3,33 2,67 0,67 30 16,23 seg
100 50 5 0,00 0,00 3,33 0,00 0,67 0,00 0,00 30 3,59 seg
100 50 6 0,00 0,00 6,67 0,00 3,33 0,00 0,00 30 3,72 seg
100 50 7 0,00 0,00 3,45 0,00 3,45 0,00 0,00 29 3,88 seg
100 50 8 0,00 0,00 3,33 0,00 2,67 0,00 0,00 30 3,33 %
100 50 9 0,00 6,67 6,67 3,33 4,67 3,33 3,33 30 5,52 seg
100 50 10 0,00 0,00 7,14 0,00 7,14 3,57 0,00 28 3,58 seg
200 10 1 0,00 0,00 0,56 0,45 0,39 0,34 0,17 358 0,28 %
200 10 2 0,54 0,54 1,09 0,71 0,60 0,54 0,49 368 897,08 seg
200 10 3 0,28 0,28 0,55 0,66 0,44 0,55 0,39 361 62,38 seg
200 10 4 0,27 0,27 0,54 0,54 0,59 0,59 0,43 372 0,27 %
200 10 5 0,28 0,00 0,84 0,50 0,45 0,39 0,22 359 0,28 %
200 10 6 0,53 0,53 0,53 0,59 0,48 0,48 0,32 376 0,27 %

200 10 7 0,00 0,00 0,56 0,17 0,00 0,23 0,06 355 0,28 %
200 10 8 0,00 0,56 0,56 0,33 0,33 0,22 0,11 359 0,28 %
200 10 9 0,00 0,55 1,66 0,66 0,61 0,44 0,44 361 0,28 %
200 10 10 0,57 0,00 1,15 0,63 0,52 0,52 0,34 349 3915,67 seg
200 20 1 0,69 1,38 1,38 1,93 1,93 1,38 1,24 145 903,45 seg
200 20 2 0,69 0,69 2,08 1,81 2,22 1,39 1,39 144 0,69 %
200 20 3 2,08 0,69 0,69 2,22 2,36 1,67 1,67 144 0,69 %
200 20 4 2,04 0,68 1,36 2,04 1,63 1,09 0,95 147 0,68 %
200 20 5 2,01 0,67 1,34 1,21 0,67 0,54 0,27 149 2,01 %
200 20 6 0,69 0,69 1,39 1,53 1,53 0,97 0,97 144 0,69 %
200 20 7 0,69 2,08 1,39 1,53 1,67 1,11 0,83 144 0,69 %
200 20 8 4,26 1,42 2,13 1,13 1,70 0,99 0,71 141 0,71 %
200 20 9 1,37 0,68 1,37 1,51 1,37 1,37 0,96 146 0,68 %
200 20 10 2,04 0,00 2,04 1,77 1,36 0,95 0,41 147 1,36 %
200 30 1 4,60 1,15 3,45 2,76 3,45 2,53 1,84 87 2,3 %
200 30 2 3,45 4,60 1,15 1,84 2,76 1,38 1,15 87 2,3 %
200 30 3 2,30 5,75 2,30 2,76 2,99 2,07 1,84 87 2,3 %
200 30 4 3,37 2,25 2,25 2,47 3,37 2,02 2,92 89 1,12 %
200 30 5 3,33 2,22 3,33 3,33 4,00 2,44 2,67 90 1,11 %
200 30 6 3,45 3,45 2,30 2,53 2,76 1,38 1,84 87 2,3 %
200 30 7 2,30 0,00 1,15 2,07 2,30 1,15 1,38 87 3,45 %
200 30 8 2,27 1,14 1,14 2,27 2,50 1,59 1,36 88 2,27 %
200 30 9 1,14 2,27 2,27 2,27 2,73 1,59 1,36 88 2,27 %
200 30 10 3,41 1,14 2,27 2,05 3,18 1,82 1,82 88 2,27 %
200 40 1 4,62 1,54 3,08 3,69 4,31 3,08 3,38 65 3,08 %
200 40 2 6,35 1,59 3,17 2,54 4,13 2,22 1,90 63 3,17 %
200 40 3 6,35 3,17 4,76 4,76 5,71 3,49 3,49 63 3,17 %
200 40 4 4,69 3,13 0,00 2,50 3,13 1,56 2,19 64 4,69 %
200 40 5 3,17 3,17 1,59 2,22 2,86 1,90 2,22 63 1,59 %

200 40 6 3,08 4,62 3,08 2,46 4,62 2,77 2,77 65 3,08 %
200 40 7 4,69 0,00 0,00 2,50 3,75 1,88 1,88 64 3,13 %
200 40 8 6,25 0,00 3,13 2,81 4,06 2,19 2,50 64 3,13 %
200 40 9 6,06 0,00 3,03 1,52 2,73 1,21 1,21 66 4,55 %
200 40 10 4,92 3,28 4,92 4,26 5,90 4,26 4,26 61 2948,94 seg
200 50 1 3,92 1,96 1,96 3,14 4,71 1,96 2,35 51 5,88 %
200 50 2 4,00 4,00 2,00 3,20 4,40 2,40 2,80 50 4%
200 50 3 4,00 2,00 2,00 3,60 5,60 2,40 4,00 50 4%
200 50 4 3,92 0,00 1,96 0,00 1,96 0,00 0,78 51 7,84 %
200 50 5 4,00 2,00 2,00 2,40 3,20 1,60 1,60 50 6%
200 50 6 3,92 0,00 0,00 0,78 2,35 0,78 0,39 51 7,84 %
200 50 7 5,88 1,96 1,96 3,92 5,49 2,75 2,75 51 5,88 %
200 50 8 2,04 4,08 4,08 3,67 6,12 3,27 3,67 49 17,22 seg
200 50 9 5,88 0,00 0,00 1,57 3,92 1,96 1,57 51 5,88 %
200 50 10 6,00 2,00 2,00 2,00 4,00 2,00 2,80 50 6%
500 10 1 0,58 0,23 0,23 0,32 0,37 0,26 0,35 862 0,12 %
500 10 2 0,23 0,23 0,80 0,62 0,64 0,64 0,59 876 3471,83 seg
500 10 3 0,23 0,34 0,34 0,48 0,39 0,46 0,32 879 0,11 %
500 10 4 0,34 0,23 0,57 0,54 0,52 0,48 0,43 884 6587,78 seg
500 10 5 0,23 0,35 0,81 0,49 0,44 0,32 0,37 864 206,78 seg
500 10 6 0,11 0,33 0,22 0,33 0,40 0,24 0,22 901 0,22 %
500 10 7 0,45 0,00 0,45 0,34 0,29 0,25 0,25 895 0,22 %
500 10 8 0,11 0,22 0,43 0,46 0,46 0,37 0,37 922 0,11 %
500 10 9 0,22 0,11 0,76 0,41 0,44 0,41 0,37 916 0,11 %
500 10 10 0,22 0,22 0,56 0,54 0,52 0,47 0,49 893 318,25 seg
500 20 1 0,85 1,13 0,56 1,41 1,36 1,07 1,07 354 0,28 %
500 20 2 0,58 0,87 1,45 1,50 1,50 1,16 1,16 346 0,29 %
500 20 3 0,56 0,56 0,84 1,17 1,23 0,95 0,89 359 0,28 %
500 20 4 1,14 1,14 1,14 1,71 1,65 1,25 1,20 351 3376,27 seg

500 20 5 1,44 0,57 1,72 1,72 1,32 1,38 1,32 348 0,29 %
500 20 6 1,13 0,56 1,13 1,36 1,36 1,13 1,02 354 0,28 %
500 20 7 1,14 0,57 1,43 1,26 1,26 1,14 1,03 350 2201,09 seg
500 20 8 1,14 0,86 0,57 1,31 1,14 0,91 0,91 350 0,29 %
500 20 9 0,56 0,84 0,56 1,24 1,12 0,84 0,79 356 0,56 %
500 20 10 1,13 1,13 0,85 1,35 1,13 1,18 1,01 355 0,28 %
500 30 1 1,89 1,89 1,42 2,26 2,36 1,70 1,70 212 0,47 %
500 30 2 2,39 1,44 0,96 2,49 2,68 2,11 2,20 209 0,48 %
500 30 3 2,35 2,35 0,94 2,63 2,72 1,97 1,97 213 0,47 %
500 30 4 2,88 1,92 0,96 2,60 2,40 1,92 1,92 208 0,48 %
500 30 5 0,96 0,96 0,96 1,72 1,91 1,34 1,34 209 0,96 %
500 30 6 0,47 0,47 0,47 1,70 1,98 1,42 1,42 212 0,94 %
500 30 7 1,88 0,94 1,41 2,16 2,25 1,97 1,78 213 0,94 %
500 30 8 1,87 1,40 0,93 1,96 2,15 2,06 1,87 214 0,47 %
500 30 9 1,90 0,47 1,42 2,18 2,18 1,90 1,61 211 0,95 %
500 30 10 1,42 2,37 0,47 1,99 2,09 1,80 1,61 211 0,95 %
500 40 1 2,68 4,03 1,34 2,82 3,09 2,28 2,68 149 1,34 %
500 40 2 2,00 1,33 2,00 3,33 3,33 2,80 2,80 150 1,33 %
500 40 3 3,33 3,33 2,00 3,47 3,87 3,07 3,33 150 0,67 %
500 40 4 2,01 2,68 1,34 2,95 3,22 2,82 2,82 149 1,34 %
500 40 5 2,65 1,99 1,32 3,05 2,78 2,25 2,25 151 0,66 %
500 40 6 2,67 2,00 1,33 2,67 2,67 2,13 2,53 150 1,33 %
500 40 7 2,63 3,29 1,32 2,89 3,42 2,37 2,63 152 1,32 %
500 40 8 2,61 3,27 0,65 2,88 2,88 2,48 2,48 153 1,31 %
500 40 9 2,70 2,03 1,35 2,84 3,24 2,43 2,43 148 1,35 %
500 40 10 1,99 2,65 0,66 3,18 3,58 2,52 2,52 151 1,32 %
500 50 1 5,17 5,17 1,72 4,31 4,83 3,97 3,97 116 0,86 %
500 50 2 3,39 2,54 1,69 3,90 4,24 2,88 3,56 118 0,85 %
500 50 3 2,56 4,27 1,71 3,93 4,27 2,91 3,42 117 1,71 %

500 50 4 0,85 2,54 0,85 3,05 3,22 2,54 2,71 118 1,69 %
500 50 5 4,27 3,42 1,71 3,42 3,42 2,74 3,08 117 1,71 %
500 50 6 3,42 2,56 0,85 3,42 3,93 2,74 2,91 117 1,71 %
500 50 7 1,68 2,52 0,84 2,52 2,86 2,02 1,68 119 2,52 %
500 50 8 3,42 2,56 0,85 3,93 4,27 3,08 3,59 117 1,71 %
500 50 9 3,45 4,31 0,86 3,45 3,62 2,59 2,93 116 1,72 %
500 50 10 2,59 2,59 1,72 3,28 4,14 2,93 3,10 116 1,72 %
1000 10 1 0,28 0,34 0,28 0,22 0,19 0,20 0,17 1762 5544,78 seg
1000 10 2 0,34 1,14 0,29 0,30 0,30 0,27 0,26 1754 3011,72 seg
1000 10 3 0,22 0,00 0,39 0,24 0,20 0,19 0,20 1782 0,06 %
1000 10 4 0,23 0,17 0,45 0,32 0,31 0,27 0,27 1761 0,06 %
1000 10 5 0,11 0,44 0,44 0,21 0,19 0,17 0,15 1814 0,06 %
1000 10 6 0,06 0,06 0,28 0,28 0,26 0,26 0,23 1765 0,06 %
1000 10 7 0,17 0,33 0,17 0,29 0,23 0,22 0,24 1804 0,06 %
1000 10 8 0,17 1,91 0,68 0,27 0,24 0,21 0,21 1776 0,06 %
1000 10 9 0,29 2,24 0,57 0,28 0,25 0,26 0,24 1742 0,06 %
1000 10 10 0,06 0,69 0,34 0,24 0,24 0,23 0,19 1745 0,06 %
1000 20 1 0,99 0,57 0,43 0,74 0,68 0,63 0,54 704 0,14 %
1000 20 2 0,86 0,29 0,57 0,86 0,80 0,75 0,75 697 0,14 %
1000 20 3 1,01 0,43 0,72 0,80 0,80 0,72 0,72 696 0,14 %
1000 20 4 0,58 0,58 0,58 0,89 0,92 0,78 0,78 695 0,14 %
1000 20 5 0,58 0,87 0,43 0,78 0,70 0,72 0,64 690 0,14 %
1000 20 6 0,72 1,16 0,14 0,90 0,93 0,75 0,75 690 0,14 %
1000 20 7 0,86 0,58 0,43 0,86 0,75 0,78 0,66 695 0,14 %
1000 20 8 0,72 0,72 0,87 0,87 0,92 0,84 0,78 692 0,14 %
1000 20 9 1,01 0,86 0,14 0,86 0,84 0,84 0,81 694 0,14 %
1000 20 10 0,99 0,57 0,43 0,82 0,91 0,68 0,68 704 0,14 %
1000 30 1 1,42 0,94 0,71 1,46 1,56 1,18 1,23 424 0,24 %
1000 30 2 1,44 1,67 0,72 1,53 1,53 1,39 1,24 418 0,24 %

1000 30 3 1,67 0,72 0,48 1,15 1,29 1,05 1,15 419 0,48 %
1000 30 4 1,43 0,24 0,95 1,43 1,52 1,24 1,28 421 0,24 %
1000 30 5 1,44 1,20 0,96 1,49 1,54 1,35 1,39 416 0,24 %
1000 30 6 0,94 1,42 0,47 1,51 1,37 1,32 1,32 424 0,24 %
1000 30 7 1,42 0,95 0,24 1,28 1,37 1,14 1,09 422 0,47 %
1000 30 8 1,43 0,48 0,71 1,57 1,33 1,29 1,05 420 0,24 %
1000 30 9 1,44 0,72 0,72 1,48 1,53 1,15 1,24 418 0,24 %
1000 30 10 1,19 1,43 0,48 1,48 1,62 1,38 1,43 420 0,24 %
1000 40 1 1,69 1,69 0,68 1,96 1,89 1,62 1,69 296 0,34 %
1000 40 2 2,03 2,03 1,02 2,17 2,10 1,69 1,97 295 0,34 %
1000 40 3 1,36 1,02 0,68 1,76 1,83 1,49 1,69 295 0,68 %
1000 40 4 2,02 1,01 0,67 1,89 1,95 1,82 1,68 297 0,67 %
1000 40 5 1,33 1,00 0,67 1,87 1,93 1,60 1,73 300 0,67 %
1000 40 6 1,33 2,67 0,67 1,87 2,00 1,73 1,87 300 0,33 %
1000 40 7 2,03 2,03 1,01 1,96 1,96 1,62 1,69 296 0,34 %
1000 40 8 1,70 2,04 1,02 1,97 2,24 1,77 1,70 294 0,34 %
1000 40 9 2,03 1,69 1,02 2,31 2,37 1,97 1,90 295 0,34 %
1000 40 10 2,00 2,00 0,67 2,27 2,13 1,80 1,80 300 0,33 %
1000 50 1 2,20 1,76 0,88 2,64 2,82 2,29 2,47 227 0,88 %
1000 50 2 2,19 1,75 0,88 2,63 2,72 2,46 2,37 228 0,88 %
1000 50 3 2,18 1,75 0,87 2,62 2,79 2,01 2,10 229 0,87 %
1000 50 4 1,74 1,74 0,87 2,17 2,17 2,09 2,09 230 0,43 %
1000 50 5 2,17 1,74 0,87 2,35 2,43 2,09 2,26 230 0,87 %
1000 50 6 2,62 3,06 1,31 2,71 3,14 2,36 2,45 229 0,44 %
1000 50 7 2,17 2,61 0,87 2,52 2,78 2,35 2,43 230 0,43 %
1000 50 8 1,74 2,17 0,43 2,17 2,35 2,00 1,83 230 0,87 %
1000 50 9 1,74 1,74 0,43 2,26 2,52 1,91 1,83 230 0,87 %
1000 50 10 1,76 2,20 0,88 2,73 3,00 2,20 2,47 227 0,44 %

100 10 1 0,27 0,18 0,54 0,43 0,41 0,40 0,25 1111 286,5 seg
100 10 2 0,00 0,09 0,83 0,48 0,37 0,52 0,24 1083 204,69 seg
100 10 3 0,00 0,09 1,10 0,29 0,13 0,29 0,13 1094 400,48 seg
100 10 4 0,09 0,18 0,72 0,09 0,09 0,14 0,09 1111 138,42 seg
100 10 5 0,00 0,09 0,45 0,42 0,45 0,42 0,35 1100 148,44 seg
100 10 6 0,00 0,09 0,82 0,33 0,22 0,24 0,18 1095 26,26 seg
100 10 7 0,00 0,09 2,34 0,27 0,16 0,27 0,18 1109 299,42 seg
100 10 8 0,09 0,00 2,26 0,63 0,33 0,43 0,24 1106 3607,81 seg
100 10 9 0,00 0,00 0,99 0,05 0,09 0,05 0,00 1108 99,45 seg
100 10 10 0,27 0,09 2,10 0,27 0,29 0,24 0,20 1095 3042,19 seg
100 20 1 0,38 0,57 1,13 0,45 0,38 0,72 0,42 529 0,19 %
100 20 2 0,19 0,74 1,67 0,19 0,19 0,19 0,19 540 152,59 seg
100 20 3 0,19 0,38 1,70 0,79 0,60 0,49 0,53 529 2224,48 seg
100 20 4 0,38 0,56 1,32 0,68 0,38 0,83 0,71 532 712,91 seg
100 20 5 0,00 0,00 0,00 0,00 0,00 0,00 0,00 541 3,94 seg
100 20 6 0,00 0,00 0,37 0,00 0,00 0,00 0,00 537 4,64 seg
100 20 7 0,56 0,75 0,75 0,64 0,53 0,83 0,64 533 386,02 seg
100 20 8 0,76 0,95 1,51 0,57 0,42 0,30 0,45 529 0,19 %
100 20 9 0,00 0,19 0,75 0,11 0,07 0,11 0,00 536 16,61 seg
100 20 10 1,32 0,57 1,51 0,49 0,38 0,26 0,30 530 1049,31 seg
100 30 1 2,22 2,46 0,99 0,39 0,25 0,30 0,05 406 6,65 %
100 30 2 1,96 2,94 0,98 0,10 0,05 0,15 0,00 408 6,86 %
100 30 3 2,71 3,20 0,74 0,25 0,00 0,05 0,00 406 6,9 %
100 30 4 1,23 4,66 0,74 0,29 0,25 0,25 0,25 408 6,37 %
100 30 5 2,70 2,95 1,23 0,00 0,00 -0,20 -0,20 407 7,13 %
100 30 6 0,74 1,23 1,23 0,10 0,05 0,30 0,05 406 6,73 %
100 30 7 2,70 2,95 0,74 0,15 0,10 0,20 -0,15 407 6,88 %

100 30 8 0,50 2,23 1,49 0,30 0,25 0,15 0,05 404 1,03 %
100 30 9 1,23 2,72 0,99 0,25 0,25 0,20 0,20 405 6,01 %
100 30 10 2,97 2,72 0,99 0,25 0,20 0,25 0,10 404 6,93 %
100 40 1 2,63 1,32 1,32 0,66 0,72 0,66 0,46 304 1,64 %
100 40 2 2,62 4,26 0,98 0,52 0,66 0,52 0,26 305 1013,84 seg
100 40 3 0,98 3,61 0,98 0,66 0,66 0,52 0,39 305 2,49 %
100 40 4 0,66 1,97 0,99 0,39 0,66 0,33 0,33 304 1,59 %
100 40 5 1,32 2,96 0,99 0,92 0,99 0,86 0,79 304 2,63 %
100 40 6 0,98 1,31 0,66 0,20 0,33 0,13 0,20 305 3,01 %
100 40 7 0,66 1,97 1,31 0,39 0,66 0,33 0,33 305 1,83 %
100 40 8 2,29 0,98 0,65 0,07 0,20 0,07 0,00 306 4,25 %
100 40 9 0,98 2,62 0,66 0,52 0,66 0,39 0,26 305 3,18 %
100 40 10 0,66 3,30 1,32 0,40 0,59 0,40 0,33 303 1,32 %
100 50 1 0,00 0,00 0,48 0,00 0,48 0,38 0,67 208 11,25 seg
100 50 2 0,47 0,00 2,83 0,00 0,09 0,00 0,19 212 1,42 %
100 50 3 1,42 0,47 2,36 0,00 0,19 0,09 0,09 212 0,94 %
100 50 4 0,00 0,00 0,00 0,00 0,10 0,00 0,00 210 0,48 %
100 50 5 0,00 0,00 0,48 0,00 0,10 0,10 0,10 210 0,95 %
100 50 6 0,00 0,00 3,81 0,10 0,57 0,10 0,38 210 0,95 %
100 50 7 0,00 0,48 1,44 0,57 0,86 0,57 0,86 209 0,48 %
100 50 8 0,00 0,00 1,90 0,28 0,47 0,38 0,28 211 0,47 %
100 50 9 0,00 0,47 1,90 0,00 0,19 0,09 0,28 211 0,65 %
100 50 10 0,96 0,00 1,44 0,48 1,34 0,48 0,67 209 229,01 seg
200 10 1 2,10 0,87 1,64 0,42 0,33 0,29 0,39 2195 0,36 %
200 10 2 0,46 0,14 0,91 0,49 0,47 0,28 0,30 2189 0,14 %
200 10 3 0,27 0,18 0,69 0,31 0,16 0,33 0,32 2183 0,05 %
200 10 4 0,51 0,14 0,64 0,31 0,26 0,17 0,22 2177 384,3 seg
200 10 5 0,18 0,68 1,23 0,49 0,36 0,27 0,32 2200 2470,98 seg
200 10 6 0,60 0,28 0,78 0,27 0,16 0,07 0,15 2169 0,14 %

200 10 7 0,41 0,23 0,87 0,41 0,30 0,23 0,24 2174 0,05 %
200 10 8 0,14 0,23 1,51 0,36 0,30 0,22 0,20 2181 325,25 seg
200 10 9 0,73 0,14 0,87 0,47 0,32 0,24 0,25 2180 0,05 %
200 10 10 1,50 1,41 1,46 0,47 0,33 0,19 0,47 2193 0,23 %
200 20 1 0,38 0,38 0,86 0,72 0,57 0,53 0,70 1050 0,19 %
200 20 2 0,28 0,38 1,71 0,78 0,72 0,42 0,66 1053 0,19 %
200 20 3 0,48 0,48 1,05 0,73 0,59 0,55 0,71 1046 0,1 %
200 20 4 0,28 1,70 1,33 0,59 0,45 0,34 0,55 1056 0,19 %
200 20 5 0,48 0,76 1,53 0,90 0,72 0,59 0,82 1049 0,1 %
200 20 6 0,47 0,28 1,23 0,87 0,72 0,57 0,65 1054 0,19 %
200 20 7 1,24 1,81 1,81 0,91 0,74 0,59 0,70 1052 0,1 %
200 20 8 0,28 0,28 1,33 0,40 0,27 0,13 0,34 1054 72,53 seg
200 20 9 0,57 1,61 1,99 0,83 0,76 0,59 0,74 1054 0,19 %
200 20 10 0,57 0,57 1,34 0,65 0,50 0,36 0,48 1047 0,19 %
200 30 1 0,00 1,65 -1,10 -0,85 -0,96 -1,21 -1,07 728 3,02 %
200 30 2 2,65 3,49 0,70 0,78 0,56 0,45 0,53 716 1,26 %
200 30 3 1,54 4,47 0,56 0,81 0,61 0,31 0,59 716 1,4 %
200 30 4 0,00 0,82 -1,23 -1,07 -1,23 -1,45 -1,29 729 3,29 %
200 30 5 1,40 3,65 0,70 0,70 0,53 0,36 0,53 713 1,26 %
200 30 6 0,00 0,96 -0,68 -0,60 -0,74 -1,04 -0,79 731 3,01 %
200 30 7 0,00 0,82 -1,23 -1,48 -1,53 -1,81 -1,72 731 3,42 %
200 30 8 1,12 4,05 0,84 0,98 0,81 0,50 0,67 716 1,12 %
200 30 9 2,65 3,91 0,84 0,92 0,75 0,59 0,73 716 1,12 %
200 30 10 2,09 3,49 0,70 0,95 0,84 0,36 0,59 717 1,39 %
200 40 1 0,97 0,39 0,97 0,85 0,74 0,50 0,85 515 0,39 %
200 40 2 0,58 -0,19 -0,19 0,42 0,42 0,12 0,46 518 0,19 %
200 40 3 0,78 0,97 0,78 1,09 0,89 0,62 0,97 514 0,39 %
200 40 4 0,78 0,39 1,17 1,13 0,93 0,70 1,09 514 0,19 %
200 40 5 1,16 0,39 2,70 1,00 0,69 0,39 0,81 519 0,19 %

200 40 6 0,97 0,39 0,77 0,74 0,70 0,46 0,85 517 0,39 %
200 40 7 1,75 1,75 0,97 1,13 0,93 0,74 1,17 515 0,39 %
200 40 8 0,95 5,53 0,38 0,00 0,04 0,00 0,11 524 111,38 seg
200 40 9 0,59 0,00 0,59 0,90 0,66 0,55 0,98 512 0,59 %
200 40 10 1,55 0,97 0,77 1,01 1,16 0,74 1,04 517 863,59 seg
200 50 1 0,97 0,49 0,73 1,22 1,17 0,92 1,36 411 0,49 %
200 50 2 0,24 0,24 1,20 0,58 0,48 0,10 0,48 417 461,67 seg
200 50 3 0,97 0,49 1,70 1,22 1,17 0,83 1,17 411 0,49 %
200 50 4 1,70 0,24 1,46 1,02 0,78 0,49 0,97 411 0,24 %
200 50 5 0,73 0,97 1,45 0,97 1,02 0,63 1,07 413 0,24 %
200 50 6 0,97 0,24 0,97 0,97 0,97 0,68 1,22 411 0,24 %
200 50 7 0,73 0,24 0,48 0,63 0,73 0,29 0,53 413 0,26 %
200 50 8 0,73 2,19 0,73 1,17 0,88 0,63 0,97 411 0,49 %
200 50 9 0,48 0,73 1,21 0,87 0,68 0,48 0,92 413 0,73 %
200 50 10 0,97 0,97 1,21 0,83 0,73 0,49 0,92 412 0,49 %
500 10 1 0,16 0,22 0,48 0,29 0,18 0,12 0,14 5456 0,04 %
500 10 2 0,07 0,44 0,55 0,23 0,17 0,10 0,20 5439 0,06 %
500 10 3 0,75 0,15 0,55 0,23 0,22 0,14 0,20 5455 0,07 %
500 10 4 0,13 0,04 0,20 0,16 0,13 0,09 0,10 5423 0,04 %
500 10 5 0,20 0,07 0,62 0,23 0,18 0,14 0,21 5456 0,05 %
500 10 6 0,46 0,33 0,57 0,24 0,19 0,12 0,15 5453 0,07 %
500 10 7 0,39 0,18 0,33 0,31 0,22 0,16 0,21 5414 0,09 %
500 10 8 0,20 0,11 0,42 0,30 0,21 0,15 0,18 5421 0,06 %
500 10 9 0,09 0,46 0,55 0,23 0,19 0,10 0,15 5448 0,11 %
500 10 10 0,42 0,26 0,63 0,36 0,25 0,16 0,25 5437 0,06 %
500 20 1 1,38 0,11 0,84 0,65 0,52 0,44 0,53 2613 0,08 %
500 20 2 1,49 2,18 1,42 1,06 1,07 1,16 1,09 2612 0,19 %
500 20 3 1,87 1,41 1,76 0,92 0,72 0,80 0,84 2618 0,15 %
500 20 4 1,34 0,34 1,11 0,70 0,61 0,38 0,54 2618 0,08 %

500 20 5 0,23 0,15 0,53 0,57 0,52 0,42 0,54 2624 0,08 %
500 20 6 0,92 0,50 0,92 0,70 0,59 0,47 0,67 2613 0,08 %
500 20 7 1,07 0,65 0,88 0,77 0,67 0,48 0,58 2610 0,04 %
500 20 8 0,88 0,19 0,77 0,59 0,51 0,39 0,57 2613 0,04 %
500 20 9 0,99 0,57 1,34 0,99 0,71 0,83 0,89 2618 0,08 %
500 20 10 0,35 0,46 0,85 0,58 0,48 0,42 0,50 2603 0,08 %
500 30 1 1,04 1,67 0,52 0,74 0,69 0,60 0,59 1738 1,15 %
500 30 2 0,86 1,66 0,52 0,73 0,71 0,51 0,68 1742 1,15 %
500 30 3 0,86 1,09 0,46 0,70 0,67 0,45 0,57 1744 1,26 %
500 30 4 0,92 1,84 0,52 0,81 0,75 0,58 0,66 1739 1,09 %
500 30 5 0,92 1,21 0,52 0,69 0,71 0,58 0,61 1738 0,98 %
500 30 6 1,04 1,32 0,58 0,88 0,85 0,66 0,74 1736 1,04 %
500 30 7 0,69 1,50 0,52 0,68 0,66 0,52 0,59 1736 1,15 %
500 30 8 0,98 0,81 0,63 0,87 0,74 0,56 0,70 1738 0,98 %
500 30 9 1,04 1,73 0,81 0,98 0,93 0,69 0,82 1734 0,92 %
500 30 10 0,80 1,84 0,63 0,74 0,69 0,52 0,68 1740 1,03 %
500 40 1 0,23 2,50 0,23 0,32 0,23 0,18 0,21 1322 2,87 %
500 40 2 0,08 2,19 0,08 0,29 0,20 0,06 0,17 1323 2,95 %
500 40 3 0,84 2,66 0,61 0,76 0,73 0,56 0,71 1316 2,43 %
500 40 4 0,61 1,90 0,46 0,71 0,65 0,49 0,56 1318 2,5 %
500 40 5 0,45 2,12 0,30 0,53 0,47 0,39 0,45 1320 2,65 %
500 40 6 0,53 2,66 0,38 0,65 0,61 0,47 0,53 1318 2,5 %
500 40 7 0,61 0,91 0,53 0,79 0,71 0,61 0,64 1316 2,74 %
500 40 8 0,38 1,44 0,08 0,26 0,21 0,03 0,21 1324 2,95 %
500 40 9 0,68 2,50 0,30 0,58 0,62 0,38 0,46 1318 2,73 %
500 40 10 0,38 2,66 0,23 0,50 0,49 0,32 0,39 1318 2,58 %
500 50 1 0,59 0,98 0,69 0,79 0,75 0,47 0,75 1019 0,29 %
500 50 2 0,98 0,78 0,78 0,92 0,98 0,74 0,90 1021 0,39 %
500 50 3 0,49 0,88 0,49 0,80 0,77 0,55 0,77 1019 0,29 %

500 50 4 0,78 1,18 0,78 0,94 0,94 0,61 0,96 1020 0,29 %
500 50 5 0,00 0,39 0,39 0,45 0,43 0,21 0,39 1024 0,78 %
500 50 6 0,39 0,69 0,49 0,78 0,78 0,61 0,72 1021 0,29 %
500 50 7 1,27 1,37 1,08 0,86 0,88 0,55 0,78 1021 0,39 %
500 50 8 0,98 1,37 0,59 0,88 0,94 0,63 0,88 1020 0,29 %
500 50 9 0,79 1,28 0,98 1,00 1,02 0,71 0,94 1019 0,2 %
500 50 10 0,59 0,88 0,59 0,96 0,92 0,69 0,92 1020 0,2 %
1000 10 1 0,11 0,11 0,21 0,14 0,14 0,10 0,12 10880 0,02 %
1000 10 2 0,36 0,45 0,20 0,17 0,13 0,10 0,14 10805 0,02 %
1000 10 3 0,23 0,47 0,23 0,16 0,14 0,08 0,14 10880 0,03 %
1000 10 4 0,17 0,16 0,23 0,11 0,09 0,06 0,12 10861 0,01 %
1000 10 5 0,19 0,26 0,33 0,12 0,14 0,10 0,11 10867 0,02 %
1000 10 6 0,17 0,40 0,10 0,13 0,11 0,08 0,10 10873 0,01 %
1000 10 7 0,31 0,14 0,15 0,11 0,11 0,08 0,10 10845 0,02 %
1000 10 8 0,26 0,68 0,28 0,11 0,08 0,06 0,08 10894 0,03 %
1000 10 9 0,23 0,03 0,19 0,14 0,13 0,09 0,10 10841 0,03 %
1000 10 10 0,06 0,41 0,28 0,15 0,13 0,11 0,12 10888 0,02 %
1000 20 1 0,81 0,94 0,63 0,57 0,53 0,45 0,49 5215 0,13 %
1000 20 2 0,94 0,88 0,69 0,54 0,52 0,38 0,52 5222 0,1 %
1000 20 3 0,81 0,52 0,52 0,60 0,53 0,49 0,61 5210 0,15 %
1000 20 4 0,84 0,75 0,69 0,42 0,34 0,26 0,33 5221 0,1 %
1000 20 5 0,65 0,63 0,63 0,43 0,42 0,36 0,44 5229 0,06 %
1000 20 6 0,69 0,59 0,59 0,38 0,33 0,29 0,33 5222 0,1 %
1000 20 7 0,84 0,69 0,61 0,55 0,49 0,42 0,52 5236 0,11 %
1000 20 8 0,84 0,40 0,44 0,51 0,51 0,42 0,49 5229 0,1 %
1000 20 9 0,98 1,03 0,77 0,53 0,52 0,36 0,46 5223 0,13 %
1000 20 10 0,65 0,23 0,82 0,46 0,39 0,38 0,40 5214 0,04 %
1000 30 1 0,90 0,66 0,58 0,62 0,65 0,54 0,65 3460 0,84 %
1000 30 2 0,89 1,01 0,72 0,70 0,69 0,57 0,63 3467 0,84 %

1000 30 3 0,66 0,61 0,40 0,53 0,55 0,46 0,51 3462 1,07 %
1000 30 4 0,90 1,07 0,67 0,70 0,74 0,67 0,71 3457 0,84 %
1000 30 5 0,75 1,62 0,52 0,63 0,62 0,55 0,56 3462 0,95 %
1000 30 6 0,75 0,78 0,46 0,58 0,66 0,51 0,58 3462 1,01 %
1000 30 7 0,58 0,58 0,43 0,58 0,61 0,50 0,55 3459 0,81 %
1000 30 8 0,90 1,19 0,55 0,78 0,80 0,70 0,77 3454 0,75 %
1000 30 9 1,21 0,84 0,61 0,72 0,76 0,69 0,72 3460 0,87 %
1000 30 10 0,84 0,93 0,69 0,75 0,80 0,73 0,76 3456 0,81 %
1000 40 1 0,78 3,17 0,94 0,74 0,74 0,62 0,68 2552 0,08 %
1000 40 2 0,82 1,02 0,67 0,58 0,68 0,50 0,59 2551 0,12 %
1000 40 3 1,17 0,90 0,74 0,74 0,67 0,54 0,69 2555 0,08 %
1000 40 4 0,90 0,86 0,67 0,67 0,61 0,57 0,64 2553 0,08 %
1000 40 5 0,82 0,70 0,59 0,68 0,71 0,55 0,60 2555 0,08 %
1000 40 6 0,86 0,94 0,71 0,76 0,78 0,67 0,75 2552 0,04 %
1000 40 7 1,14 1,84 0,59 0,69 0,70 0,58 0,74 2555 0,12 %
1000 40 8 1,06 0,71 0,71 0,72 0,74 0,62 0,67 2553 0,08 %
1000 40 9 1,14 0,98 0,70 0,74 0,69 0,60 0,64 2554 0,08 %
1000 40 10 1,14 0,67 0,67 0,62 0,64 0,55 0,63 2552 0,08 %
1000 50 1 0,98 0,83 0,74 0,72 0,80 0,56 0,64 2036 0,2 %
1000 50 2 0,89 0,84 0,69 0,74 0,76 0,65 0,71 2033 0,15 %
1000 50 3 0,89 1,08 0,79 0,76 0,85 0,65 0,74 2033 0,1 %
1000 50 4 0,59 0,54 0,44 0,69 0,81 0,53 0,68 2034 0,1 %
1000 50 5 0,59 0,69 0,54 0,65 0,74 0,50 0,62 2034 0,15 %
1000 50 6 0,59 0,74 0,44 0,56 0,63 0,47 0,60 2034 0,2 %
1000 50 7 0,54 0,59 0,39 0,66 0,67 0,58 0,61 2035 0,25 %
1000 50 8 0,00 -0,05 -0,34 -0,19 -0,20 -0,35 -0,25 2054 1,02 %
1000 50 9 1,03 0,93 0,88 0,73 0,78 0,67 0,82 2037 0,15 %
1000 50 10 1,03 0,69 0,79 0,73 0,70 0,54 0,61 2035 0,15 %

100 10 1 0,00 0,30 0,20 0,12 0,08 0,10 0,08 1014 6,36 seg
100 10 2 0,20 0,10 0,39 0,14 0,16 0,10 0,08 1018 0,1 %
100 10 3 0,00 0,20 0,20 0,12 0,10 0,08 0,06 1016 32,34 seg
100 10 4 0,10 0,10 0,20 0,02 0,02 0,00 0,00 1018 0,1 %
100 10 5 0,00 0,00 0,39 0,06 0,00 0,00 0,00 1019 0,72 seg
100 10 6 0,10 0,79 0,20 0,16 0,12 0,10 0,10 1015 20,8 seg
100 10 7 0,00 0,10 0,10 0,06 0,00 0,00 0,00 1016 32,33 seg
100 10 8 0,20 0,29 0,20 0,16 0,14 0,10 0,10 1017 42 seg
100 10 9 0,00 0,00 0,29 0,12 0,10 0,02 0,08 1018 4,33 seg
100 10 10 0,00 0,00 0,20 0,10 0,10 0,10 0,10 1015 2,98 seg
100 20 1 0,00 0,20 0,20 0,20 0,20 0,12 0,20 506 12,05 seg
100 20 2 0,40 0,20 0,20 0,20 0,20 0,00 0,16 505 0,2 %
100 20 3 0,20 0,20 0,20 0,20 0,20 0,20 0,20 505 846,97 seg
100 20 4 0,00 0,79 0,00 0,00 0,00 0,04 0,00 505 0,2 %
100 20 5 0,20 0,20 0,20 0,16 0,20 0,00 0,12 506 149,33 seg
100 20 6 0,00 0,20 0,59 0,00 0,00 0,00 0,00 508 12 seg
100 20 7 0,40 0,20 0,40 0,24 0,28 0,20 0,20 505 446,74 seg
100 20 8 0,59 0,79 0,00 0,00 0,00 0,00 0,00 507 0,39 %
100 20 9 0,20 0,00 0,40 0,12 0,12 0,00 0,16 505 77,63 seg
100 20 10 0,00 0,00 0,00 0,00 0,00 0,00 0,00 508 4,08 seg
100 30 1 0,00 0,25 0,25 0,10 0,25 0,00 0,00 400 13,48 seg
100 30 2 0,00 0,00 0,25 0,25 0,25 0,15 0,25 400 15,3 seg
100 30 3 0,25 0,50 0,25 0,15 0,25 0,00 0,00 400 4,02 %
100 30 4 0,00 0,25 0,00 0,00 0,00 0,00 0,00 400 15,45 seg
100 30 5 0,00 1,00 0,25 0,00 0,00 0,00 0,00 400 11,83 seg
100 30 6 0,00 0,25 0,25 0,25 0,25 0,00 0,15 400 9,86 seg
100 30 7 0,25 0,25 0,00 0,00 0,00 0,00 0,00 400 4,41 %

100 30 8 0,50 0,75 0,25 0,25 0,25 0,15 0,25 400 5,09 %
100 30 9 0,25 0,00 0,00 0,25 0,25 0,00 0,10 400 3,34 %
100 30 10 0,25 0,25 0,25 0,20 0,25 0,05 0,15 400 4,01 %
100 40 1 0,00 0,67 0,00 0,00 0,00 0,00 0,00 300 21,86 seg
100 40 2 0,00 0,67 0,00 0,00 0,00 0,00 0,00 300 21,59 seg
100 40 3 0,00 0,00 0,00 0,00 0,00 0,00 0,00 300 25,03 seg
100 40 4 0,00 0,33 0,33 0,27 0,33 0,00 0,00 300 23,84 seg
100 40 5 0,00 0,00 0,00 0,33 0,33 0,00 0,13 300 29,06 seg
100 40 6 0,00 0,33 0,00 0,00 0,00 0,00 0,00 300 24,88 seg
100 40 7 0,00 0,33 0,00 0,00 0,00 0,00 0,00 300 31,84 seg
100 40 8 0,00 0,67 0,00 0,27 0,33 0,00 0,07 300 18,64 seg
100 40 9 0,33 0,67 0,33 0,33 0,33 0,00 0,20 300 1,76 %
100 40 10 0,00 0,33 0,33 0,27 0,33 0,00 0,00 300 17,11 seg
100 50 1 0,00 1,00 1,49 0,40 0,40 0,00 0,50 201 0,3 seg
100 50 2 0,00 0,99 0,00 0,00 0,00 0,00 0,00 202 32,84 seg
100 50 3 0,00 1,99 0,00 0,30 0,30 0,00 0,40 201 0,27 seg
100 50 4 0,00 0,50 0,00 0,00 0,00 0,00 0,00 202 36,81 seg
100 50 5 0,00 0,99 0,50 0,00 0,00 0,00 0,00 202 22,27 seg
100 50 6 0,00 0,50 0,50 0,00 0,00 0,00 0,00 202 44,41 seg
100 50 7 0,00 0,50 0,00 0,00 0,00 0,00 0,00 202 28,83 seg
100 50 8 0,00 0,50 0,00 0,00 0,00 0,00 0,00 202 24,67 seg
100 50 9 0,00 1,49 0,00 0,00 0,00 0,00 0,00 202 26,91 seg
100 50 10 0,50 1,00 0,50 0,50 0,50 0,30 0,50 201 26,22 seg
200 10 1 0,05 0,05 0,15 0,05 0,05 0,04 0,04 2031 60,22 seg
200 10 2 0,20 0,34 0,10 0,07 0,04 0,03 0,04 2030 0,05 %
200 10 3 0,05 0,25 0,20 0,08 0,06 0,05 0,05 2036 184,2 seg
200 10 4 0,05 0,05 0,15 0,13 0,10 0,06 0,07 2028 126,22 seg
200 10 5 0,05 0,39 0,20 0,06 0,05 0,02 0,03 2037 0,05 %
200 10 6 0,00 0,15 0,15 0,06 0,05 0,00 0,03 2028 0,05 %

200 10 7 0,20 0,05 0,15 0,10 0,09 0,08 0,09 2031 524,98 seg
200 10 8 0,05 0,05 0,30 0,12 0,10 0,05 0,06 2030 405,75 seg
200 10 9 0,29 0,00 0,34 0,10 0,08 0,02 0,05 2034 0,05 %
200 10 10 0,05 0,00 0,15 0,05 0,06 0,04 0,05 2029 59,23 seg
200 20 1 0,20 0,20 0,20 0,12 0,10 0,10 0,10 1007 294,67 seg
200 20 2 0,30 0,30 0,30 0,18 0,18 0,10 0,12 1008 0,1 %
200 20 3 0,10 0,20 0,10 0,10 0,10 0,10 0,10 1008 0,1 %
200 20 4 0,30 0,00 0,30 0,12 0,14 0,10 0,12 1007 0,1 %
200 20 5 0,40 0,30 0,20 0,10 0,10 0,00 0,10 1008 0,1 %
200 20 6 0,30 0,10 0,20 0,20 0,20 0,12 0,20 1007 204,59 seg
200 20 7 0,40 0,10 0,30 0,18 0,18 0,10 0,18 1009 0,1 %
200 20 8 0,10 0,40 0,10 0,12 0,12 0,02 0,10 1007 0,1 %
200 20 9 0,20 0,79 0,30 0,20 0,18 0,10 0,18 1008 176,74 seg
200 20 10 0,10 0,20 0,20 0,18 0,16 0,08 0,14 1007 2303,34 seg
200 30 1 0,57 0,71 0,14 0,14 0,14 0,11 0,14 701 0,57 %
200 30 2 0,43 0,28 0,00 0,14 0,14 0,03 0,11 702 0,71 %
200 30 3 0,43 0,85 0,00 0,03 0,03 0,00 0,00 702 0,85 %
200 30 4 0,57 0,43 0,14 0,17 0,20 0,14 0,14 701 0,57 %
200 30 5 1,00 0,85 0,00 0,03 0,00 0,00 0,00 702 0,71 %
200 30 6 0,14 0,28 0,00 0,00 0,03 0,00 0,00 702 0,71 %
200 30 7 0,43 0,71 0,00 0,09 0,14 0,00 0,00 702 0,85 %
200 30 8 0,28 1,28 0,00 0,14 0,11 0,00 0,06 702 0,71 %
200 30 9 0,43 0,57 0,29 0,29 0,29 0,14 0,20 701 0,71 %
200 30 10 0,14 0,85 -0,14 0,00 -0,03 -0,14 0,00 703 1%
200 40 1 0,00 0,00 0,00 0,00 0,04 0,00 0,00 503 595,14 seg
200 40 2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 504 1688,64 seg
200 40 3 0,00 0,00 0,00 0,00 0,08 0,00 0,00 503 892,19 seg
200 40 4 0,00 0,20 0,00 0,20 0,20 0,20 0,20 502 13,55 seg
200 40 5 0,20 0,40 0,20 0,20 0,32 0,20 0,20 502 22,48 seg

200 40 6 0,00 0,00 0,20 0,00 0,00 0,00 0,04 503 28,27 seg
200 40 7 0,20 0,20 0,00 0,00 0,00 0,00 0,00 503 18,31 seg
200 40 8 0,40 0,80 0,20 0,20 0,40 0,20 0,24 502 752,25 seg
200 40 9 0,20 0,20 0,00 0,20 0,20 0,04 0,16 502 514,56 seg
200 40 10 0,20 0,00 0,00 0,00 0,08 0,00 0,00 503 1462,52 seg
200 50 1 0,25 0,50 0,00 0,25 0,25 0,25 0,25 401 92,95 seg
200 50 2 0,00 0,50 0,25 0,05 0,05 0,00 0,15 402 400,56 seg
200 50 3 0,00 0,50 0,00 0,00 0,00 0,00 0,00 403 1998,61 seg
200 50 4 0,00 0,25 0,00 0,05 0,10 0,00 0,05 402 397,33 seg
200 50 5 0,00 0,00 0,25 0,05 0,10 0,00 0,10 402 362,28 seg
200 50 6 0,00 0,25 0,25 0,20 0,20 0,00 0,25 402 261,05 seg
200 50 7 0,00 0,25 0,00 0,00 0,00 0,00 0,00 402 712,61 seg
200 50 8 0,00 0,50 0,00 0,00 0,00 0,00 0,00 402 459,83 seg
200 50 9 0,25 0,25 0,00 0,00 0,00 0,00 0,00 403 0,5 %
200 50 10 0,00 0,25 0,00 0,00 0,00 0,00 0,00 402 294,16 seg
500 10 1 0,04 0,22 0,37 0,08 0,06 0,03 0,08 5076 0,02 %
500 10 2 0,14 0,41 0,18 0,08 0,08 0,05 0,06 5074 1960,34 seg
500 10 3 0,10 0,16 0,28 0,07 0,08 0,05 0,06 5080 29,22 seg
500 10 4 0,22 0,47 0,18 0,05 0,04 0,03 0,04 5080 44,34 seg
500 10 5 0,39 0,71 0,39 0,10 0,07 0,04 0,07 5081 0,02 %
500 10 6 0,18 0,12 0,20 0,08 0,07 0,05 0,06 5074 142,42 seg
500 10 7 0,12 0,16 0,16 0,06 0,04 0,04 0,04 5072 56,77 seg
500 10 8 0,18 0,43 0,20 0,07 0,07 0,06 0,09 5072 24,84 seg
500 10 9 0,04 0,12 0,16 0,07 0,06 0,04 0,06 5074 38,67 seg
500 10 10 0,12 0,08 0,20 0,05 0,04 0,03 0,04 5072 57,55 seg
500 20 1 0,20 0,08 0,28 0,10 0,10 0,05 0,08 2517 0,04 %
500 20 2 0,12 0,16 0,12 0,10 0,10 0,08 0,09 2513 4306,58 seg
500 20 3 0,20 0,16 0,20 0,12 0,11 0,10 0,12 2516 0,04 %
500 20 4 0,16 0,36 0,12 0,08 0,09 0,04 0,08 2515 0,04 %

500 20 5 0,08 0,20 0,20 0,10 0,10 0,06 0,10 2516 91,23 seg
500 20 6 0,12 0,20 0,12 0,07 0,08 0,06 0,08 2516 0,04 %
500 20 7 0,28 0,32 0,16 0,12 0,10 0,08 0,08 2516 0,04 %
500 20 8 0,20 0,12 0,28 0,12 0,12 0,08 0,11 2514 172,17 seg
500 20 9 0,16 0,20 0,16 0,09 0,09 0,05 0,07 2516 0,04 %
500 20 10 0,12 0,48 0,20 0,11 0,10 0,07 0,10 2517 0,04 %
500 30 1 1,18 0,35 0,12 0,19 0,20 0,16 0,18 1702 0,41 %
500 30 2 0,18 0,29 0,12 0,18 0,18 0,14 0,18 1702 0,53 %
500 30 3 0,41 0,41 0,18 0,19 0,19 0,15 0,18 1702 0,53 %
500 30 4 0,18 0,35 0,06 0,22 0,24 0,18 0,18 1702 0,53 %
500 30 5 0,41 0,29 0,18 0,24 0,24 0,18 0,21 1702 0,53 %
500 30 6 0,35 0,53 0,12 0,21 0,20 0,16 0,18 1702 0,47 %
500 30 7 0,35 1,00 0,06 0,12 0,12 0,07 0,12 1703 0,41 %
500 30 8 0,23 0,35 0,06 0,07 0,08 0,05 0,06 1704 0,59 %
500 30 9 0,47 0,35 0,12 0,18 0,21 0,18 0,18 1702 0,47 %
500 30 10 0,18 0,29 0,06 0,07 0,08 0,04 0,06 1705 0,65 %
500 40 1 0,00 1,00 -0,08 0,00 0,00 -0,06 0,00 1302 1,61 %
500 40 2 0,00 0,00 -0,15 0,00 0,00 -0,05 -0,02 1302 1,61 %
500 40 3 0,08 1,31 0,15 0,15 0,15 0,11 0,15 1300 98,38 seg
500 40 4 0,00 1,31 0,08 0,15 0,15 0,09 0,12 1300 84,23 seg
500 40 5 0,31 1,92 0,15 0,22 0,23 0,15 0,15 1300 1,62 %
500 40 6 0,08 0,31 0,08 0,15 0,15 0,14 0,15 1300 1,38 %
500 40 7 0,15 0,31 -0,15 -0,08 -0,08 -0,11 -0,08 1303 1,69 %
500 40 8 0,08 0,38 -0,08 0,08 0,08 0,02 0,08 1301 1,61 %
500 40 9 0,00 0,54 -0,08 0,00 0,00 -0,08 -0,03 1302 1,92 %
500 40 10 0,00 1,53 -0,15 -0,08 -0,08 -0,08 -0,08 1303 1,3 %
500 50 1 0,10 0,10 0,00 0,10 0,10 0,04 0,10 1003 0,1 %
500 50 2 0,20 0,10 0,10 0,10 0,10 0,04 0,10 1003 0,1 %
500 50 3 0,00 0,00 0,00 0,00 0,04 0,00 0,00 1003 0,1 %

500 50 4 0,10 0,10 0,00 0,14 0,16 0,10 0,14 1002 3210,11 seg
500 50 5 0,20 0,30 0,00 0,08 0,08 0,00 0,10 1003 0,1 %
500 50 6 0,00 0,10 0,00 0,10 0,12 0,08 0,10 1002 6042,52 seg
500 50 7 0,10 0,10 0,10 0,14 0,16 0,10 0,12 1002 949,95 seg
500 50 8 0,20 0,10 0,10 0,10 0,10 0,04 0,08 1003 0,1 %
500 50 9 0,10 0,00 0,00 0,02 0,02 0,00 0,00 1003 0,2 %
500 50 10 0,10 0,10 0,10 0,10 0,14 0,10 0,10 1002 111,83 seg
1000 10 1 0,07 0,07 0,13 0,04 0,03 0,02 0,03 10141 128,28 seg
1000 10 2 0,13 0,77 0,16 0,06 0,06 0,04 0,06 10141 832,89 seg
1000 10 3 0,12 0,12 0,05 0,03 0,02 0,01 0,02 10151 474,92 seg
1000 10 4 0,13 0,11 0,17 0,05 0,04 0,03 0,04 10151 226,98 seg
1000 10 5 0,09 0,18 0,07 0,04 0,03 0,03 0,03 10150 1022,72 seg
1000 10 6 0,16 0,23 0,11 0,05 0,04 0,04 0,05 10146 76,09 seg
1000 10 7 0,19 0,41 0,35 0,06 0,06 0,04 0,06 10142 3555,94 seg
1000 10 8 0,22 0,15 0,15 0,04 0,04 0,02 0,03 10150 76,13 seg
1000 10 9 0,36 0,59 0,12 0,06 0,06 0,04 0,05 10148 233,75 seg
1000 10 10 0,16 0,22 0,05 0,03 0,03 0,02 0,03 10152 181,39 seg
1000 20 1 0,22 0,18 0,16 0,09 0,08 0,08 0,08 5030 415,81 seg
1000 20 2 0,14 0,32 0,16 0,08 0,07 0,05 0,07 5032 544,28 seg
1000 20 3 0,14 0,18 0,12 0,08 0,08 0,06 0,09 5028 0,02 %
1000 20 4 0,18 0,16 0,16 0,07 0,08 0,06 0,08 5030 0,02 %
1000 20 5 0,22 0,14 0,06 0,10 0,06 0,05 0,08 5032 0,02 %
1000 20 6 0,16 0,22 0,10 0,05 0,05 0,03 0,04 5028 0,02 %
1000 20 7 0,44 0,48 0,22 0,08 0,08 0,06 0,08 5031 0,02 %
1000 20 8 0,36 0,22 0,14 0,09 0,07 0,08 0,08 5031 0,02 %
1000 20 9 0,26 0,16 0,14 0,08 0,07 0,06 0,06 5031 278,86 seg
1000 20 10 0,42 0,52 0,36 0,09 0,09 0,06 0,09 5029 0,02 %
1000 30 1 0,12 0,06 -0,09 0,02 0,04 0,00 0,01 3407 1,58 %
1000 30 2 0,06 0,12 -0,15 0,03 0,03 0,01 0,02 3407 1,79 %

1000 30 3 0,18 0,32 0,03 0,18 0,17 0,15 0,16 3402 1,56 %
1000 30 4 0,15 0,00 -0,15 0,02 0,02 -0,01 0,02 3408 1,64 %
1000 30 5 0,06 0,06 -0,09 0,01 0,04 0,01 0,02 3406 1,67 %
1000 30 6 0,06 0,12 -0,09 0,01 0,01 -0,03 -0,01 3407 1,7 %
1000 30 7 0,26 0,29 0,03 0,21 0,22 0,19 0,19 3400 1,5 %
1000 30 8 0,06 0,12 0,00 0,08 0,10 0,08 0,08 3404 1,53 %
1000 30 9 0,06 0,09 -0,06 0,03 0,03 0,00 0,02 3407 1,7 %
1000 30 10 0,18 0,26 0,09 0,16 0,17 0,12 0,14 3401 1,59 %
1000 40 1 0,32 0,20 0,08 0,07 0,10 0,04 0,06 2506 0,04 %
1000 40 2 0,12 0,16 0,04 0,06 0,08 0,05 0,06 2506 0,04 %
1000 40 3 0,08 0,16 0,08 0,07 0,11 0,06 0,07 2505 0,04 %
1000 40 4 0,20 0,08 0,12 0,07 0,10 0,05 0,06 2505 0,04 %
1000 40 5 0,12 0,16 0,12 0,08 0,13 0,08 0,08 2505 0,04 %
1000 40 6 0,24 0,20 0,16 0,06 0,10 0,05 0,04 2506 0,08 %
1000 40 7 0,08 0,12 0,08 0,08 0,12 0,06 0,08 2505 0,04 %
1000 40 8 0,16 0,08 0,08 0,07 0,11 0,06 0,08 2505 0,04 %
1000 40 9 0,12 0,08 0,08 0,08 0,10 0,08 0,08 2505 0,04 %
1000 40 10 0,16 0,20 0,20 0,06 0,08 0,03 0,04 2506 0,08 %
1000 50 1 0,05 0,10 -0,05 -0,01 0,01 -0,04 0,00 2005 0,1 %
1000 50 2 0,05 0,10 0,05 0,01 0,05 0,02 0,02 2004 0,1 %
1000 50 3 0,05 0,05 0,00 0,01 0,04 -0,01 0,00 2004 0,1 %
1000 50 4 0,15 0,25 0,10 0,09 0,12 0,08 0,07 2003 0,05 %
1000 50 5 0,05 0,15 0,00 0,02 0,03 0,00 0,01 2004 0,1 %
1000 50 6 0,05 0,10 0,00 0,03 0,06 0,04 0,05 2004 0,1 %
1000 50 7 0,15 0,15 0,15 0,06 0,09 0,05 0,05 2003 0,05 %
1000 50 8 0,10 0,05 0,05 0,05 0,08 0,04 0,05 2003 0,05 %
1000 50 9 0,00 0,00 0,00 -0,03 0,01 -0,04 -0,03 2005 0,15 %
1000 50 10 0,05 0,05 0,00 0,03 0,05 0,03 0,05 2004 0,1 %

100 10 1 0,03 0,04 0,08 0,02 0,02 0,02 0,01 10092 0,03 %
100 10 2 0,02 0,00 0,08 0,04 0,03 0,05 0,04 10078 1113,42 seg
100 10 3 0,11 0,11 0,31 0,05 0,05 0,05 0,02 10108 0,04 %
100 10 4 0,10 0,05 0,20 0,06 0,04 0,04 0,03 10112 0,03 %
100 10 5 0,08 0,02 0,14 0,06 0,06 0,05 0,04 10105 1100,2 seg
100 10 6 0,06 0,08 0,15 0,04 0,01 0,04 0,01 10102 0,01 %
100 10 7 0,05 0,06 0,18 0,03 0,02 0,04 0,02 10121 0,05 %
100 10 8 0,08 0,00 0,05 0,01 0,01 0,02 -0,01 10110 0,07 %
100 10 9 0,02 0,00 0,16 0,00 0,00 0,00 0,00 10097 34,33 seg
100 10 10 0,09 0,00 0,09 0,05 0,04 0,03 0,03 10097 0,05 %
100 20 1 0,04 0,02 0,20 0,04 0,02 0,02 0,03 5028 0,02 %
100 20 2 0,00 0,00 0,16 0,01 0,00 0,02 0,00 5038 0,02 %
100 20 3 0,10 0,06 0,10 0,01 0,00 0,02 0,00 5036 225,24 seg
100 20 4 0,00 0,00 0,06 0,00 0,00 0,01 0,00 5037 6,42 seg
100 20 5 0,02 0,18 0,18 0,03 0,02 0,06 0,02 5037 1197,56 seg
100 20 6 0,00 0,02 0,40 0,02 0,01 0,02 0,02 5035 0,12 %
100 20 7 0,04 0,14 0,08 0,06 0,04 0,04 0,03 5035 108,16 seg
100 20 8 0,10 0,00 0,24 0,04 0,02 0,03 0,01 5036 0,04 %
100 20 9 0,04 0,14 0,22 0,06 0,05 0,05 0,05 5035 0,04 %
100 20 10 0,08 0,14 0,18 0,07 0,05 0,05 0,05 5033 0,02 %
100 30 1 0,20 0,30 0,27 0,00 -0,01 0,00 -0,03 4008 5,72 %
100 30 2 0,22 0,30 0,32 0,07 0,05 0,04 0,02 4006 3,27 %
100 30 3 0,07 0,47 0,22 0,02 0,01 0,01 0,00 4006 4,33 %
100 30 4 0,17 0,30 0,20 0,03 0,01 0,03 0,01 4007 2,77 %
100 30 5 0,12 0,22 0,20 0,00 0,00 0,00 0,00 4006 5,34 %
100 30 6 0,10 0,75 0,30 0,00 -0,01 0,00 -0,01 4007 5,24 %
100 30 7 0,27 0,22 0,15 0,00 -0,01 -0,01 -0,03 4007 7,14 %

100 30 8 0,27 0,37 0,25 0,01 0,00 0,01 -0,03 4010 6,41 %
100 30 9 0,15 0,30 0,20 0,00 0,00 0,00 0,00 4008 3,86 %
100 30 10 0,12 0,37 0,20 0,00 0,00 0,01 0,00 4007 5,69 %
100 40 1 0,07 0,33 0,17 0,07 0,07 0,05 0,03 3005 1,26 %
100 40 2 0,17 0,37 0,27 0,02 0,04 0,03 0,00 3006 2,95 %
100 40 3 0,17 0,30 0,27 0,06 0,08 0,05 0,03 3005 1,96 %
100 40 4 0,07 0,23 0,30 0,07 0,07 0,06 0,03 3005 1,61 %
100 40 5 0,13 0,33 0,17 0,00 0,00 0,00 0,00 3006 3,24 %
100 40 6 0,20 0,23 0,47 0,03 0,03 0,02 0,00 3005 2,8 %
100 40 7 0,10 0,33 0,37 0,03 0,07 0,03 0,00 3004 2,19 %
100 40 8 0,13 0,50 0,33 0,07 0,09 0,03 0,02 3005 4,04 %
100 40 9 0,10 0,40 0,57 0,05 0,07 0,05 0,03 3005 2,28 %
100 40 10 0,13 0,43 0,43 0,03 0,03 0,01 0,00 3005 3,4 %
100 50 1 0,00 0,00 1,09 0,00 0,00 0,00 0,00 2013 0,61 seg
100 50 2 0,00 0,00 0,80 0,00 0,00 0,00 0,00 2010 8,66 seg
100 50 3 0,00 0,00 1,69 0,00 0,01 0,00 0,00 2012 12,2 seg
100 50 4 0,00 0,00 0,00 0,00 0,00 0,00 0,00 2026 11,92 seg
100 50 5 0,05 0,00 0,65 0,02 0,03 0,01 0,03 2010 59,36 seg
100 50 6 0,00 0,00 0,05 0,00 0,00 0,00 0,00 2014 9,59 seg
100 50 7 0,00 0,05 0,15 0,05 0,09 0,07 0,07 2009 14,3 seg
100 50 8 0,05 0,05 1,29 0,01 0,04 0,02 0,05 2011 15,86 seg
100 50 9 0,00 0,00 0,10 0,00 0,00 0,00 0,00 2015 11,8 seg
100 50 10 0,00 0,00 1,89 0,00 0,00 0,00 0,00 2012 8,47 seg
200 10 1 0,01 0,08 0,17 0,07 0,05 0,04 0,06 20193 0,02 %
200 10 2 0,02 0,02 0,11 0,04 0,03 0,02 0,02 20182 0,01 %
200 10 3 0,02 0,14 0,12 0,05 0,04 0,02 0,03 20177 0,01 %
200 10 4 0,04 0,09 0,06 0,03 0,02 0,02 0,02 20188 0,02 %
200 10 5 0,01 0,09 0,12 0,04 0,03 0,02 0,02 20182 0,03 %
200 10 6 0,08 0,08 0,12 0,06 0,04 0,03 0,04 20197 0,01 %

200 10 7 0,03 0,05 0,27 0,03 0,03 0,03 0,02 20191 0,02 %
200 10 8 0,08 0,04 0,11 0,05 0,04 0,03 0,03 20195 0,02 %
200 10 9 0,04 0,01 0,12 0,05 0,04 0,02 0,03 20177 0,01 %
200 10 10 0,08 0,03 0,11 0,04 0,02 0,02 0,01 20179 0,04 %
200 20 1 0,06 0,07 0,22 0,09 0,07 0,05 0,09 10056 0,05 %
200 20 2 0,08 0,02 0,07 0,06 0,04 0,03 0,05 10050 0,03 %
200 20 3 0,14 0,02 0,20 0,06 0,03 0,03 0,05 10050 0,05 %
200 20 4 0,06 0,13 0,27 0,08 0,06 0,05 0,06 10055 0,04 %
200 20 5 0,12 0,14 0,14 0,09 0,06 0,05 0,07 10052 0,05 %
200 20 6 0,15 0,03 0,12 0,06 0,05 0,03 0,05 10054 0,06 %
200 20 7 0,02 0,06 0,12 0,06 0,04 0,02 0,05 10058 0,07 %
200 20 8 0,06 0,16 0,13 0,09 0,06 0,05 0,08 10051 0,05 %
200 20 9 0,07 0,08 0,25 0,09 0,07 0,05 0,08 10055 0,05 %
200 20 10 0,10 0,08 0,21 0,06 0,06 0,04 0,04 10048 0,05 %
200 30 1 0,00 0,73 -0,10 -0,15 -0,18 -0,21 -0,16 7034 0,8 %
200 30 2 0,13 0,56 0,06 0,00 -0,02 -0,04 -0,03 7025 0,91 %
200 30 3 0,27 0,94 0,04 0,00 0,00 -0,04 -0,01 7020 0,63 %
200 30 4 0,00 0,58 -0,03 -0,11 -0,13 -0,15 -0,14 7032 0,78 %
200 30 5 0,00 0,53 -0,21 -0,22 -0,24 -0,28 -0,24 7039 1,05 %
200 30 6 0,10 0,77 0,07 0,04 0,02 0,01 0,02 7019 0,56 %
200 30 7 0,00 0,85 -0,10 -0,11 -0,13 -0,15 -0,13 7031 0,75 %
200 30 8 0,21 1,08 0,00 0,03 0,00 -0,03 -0,01 7020 0,87 %
200 30 9 0,00 0,38 -0,07 -0,21 -0,23 -0,26 -0,22 7038 0,91 %
200 30 10 0,21 0,81 0,06 0,06 0,04 0,01 0,03 7018 0,57 %
200 40 1 0,10 0,06 0,24 0,06 0,06 0,02 0,05 5016 0,1 %
200 40 2 0,06 0,14 0,22 0,05 0,04 0,02 0,04 5019 0,14 %
200 40 3 0,08 0,12 0,40 0,06 0,07 0,05 0,07 5018 0,06 %
200 40 4 0,22 -0,08 0,48 -0,09 -0,08 -0,10 -0,09 5033 0,26 %
200 40 5 0,08 0,08 0,16 0,10 0,10 0,06 0,10 5014 0,06 %

200 40 6 0,02 0,10 0,34 0,04 0,05 0,01 0,04 5020 0,16 %
200 40 7 0,10 0,34 0,26 0,00 0,00 0,01 0,02 5028 171,34 seg
200 40 8 0,08 0,02 0,34 0,08 0,10 0,05 0,09 5018 0,1 %
200 40 9 0,14 0,04 0,18 0,08 0,08 0,06 0,09 5016 0,06 %
200 40 10 0,12 0,06 0,32 0,10 0,11 0,06 0,08 5017 38,7 seg
200 50 1 0,05 0,10 0,17 0,07 0,07 0,04 0,10 4012 0,02 %
200 50 2 0,07 0,07 1,05 0,02 0,03 0,00 0,04 4015 0,07 %
200 50 3 0,07 0,10 0,22 0,04 0,04 0,01 0,05 4015 0,15 %
200 50 4 0,05 0,20 0,62 0,08 0,08 0,04 0,09 4012 0,07 %
200 50 5 0,05 0,05 0,40 0,02 0,03 0,00 0,02 4014 0,1 %
200 50 6 0,05 0,05 0,22 0,05 0,06 0,04 0,07 4013 0,02 %
200 50 7 0,10 0,30 0,70 0,07 0,07 0,02 0,07 4012 0,07 %
200 50 8 0,07 0,05 0,37 0,09 0,08 0,06 0,09 4012 0,1 %
200 50 9 0,12 0,12 0,87 0,08 0,05 0,04 0,08 4013 0,12 %
200 50 10 0,05 0,02 0,60 0,03 0,01 0,00 0,02 4015 0,15 %
500 10 1 0,06 0,03 0,13 0,04 0,04 0,02 0,03 50431 0,01 %
500 10 2 0,02 0,02 0,05 0,02 0,02 0,01 0,02 50438 0,01 %
500 10 3 0,08 0,05 0,18 0,04 0,04 0,02 0,04 50440 0,01 %
500 10 4 0,05 0,03 0,11 0,03 0,02 0,02 0,02 50466 0%
500 10 5 0,04 0,05 0,08 0,03 0,02 0,01 0,02 50415 0,01 %
500 10 6 0,06 0,02 0,06 0,04 0,04 0,02 0,04 50459 0,02 %
500 10 7 0,07 0,03 0,12 0,03 0,03 0,02 0,03 50420 0,02 %
500 10 8 0,07 0,03 0,06 0,03 0,02 0,01 0,02 50407 0,01 %
500 10 9 0,07 0,04 0,08 0,04 0,03 0,01 0,02 50437 0,01 %
500 10 10 0,03 0,05 0,04 0,03 0,02 0,01 0,02 50442 0,01 %
500 20 1 0,14 0,06 0,08 0,06 0,04 0,03 0,05 25116 0,04 %
500 20 2 0,10 0,03 0,10 0,04 0,03 0,03 0,03 25113 0,03 %
500 20 3 0,04 0,02 0,03 0,04 0,03 0,03 0,04 25116 0,02 %
500 20 4 0,12 0,10 0,12 0,05 0,05 0,02 0,05 25126 0,03 %

500 20 5 0,04 0,02 0,09 0,05 0,04 0,03 0,04 25115 0,03 %
500 20 6 0,13 0,04 0,12 0,06 0,05 0,04 0,05 25121 0,03 %
500 20 7 0,14 0,03 0,10 0,05 0,04 0,04 0,04 25115 0,02 %
500 20 8 0,11 0,03 0,06 0,05 0,04 0,03 0,05 25120 0,03 %
500 20 9 0,04 0,04 0,09 0,05 0,05 0,03 0,05 25121 0,03 %
500 20 10 0,13 0,04 0,11 0,06 0,06 0,05 0,05 25120 0,02 %
500 30 1 0,10 0,94 0,07 0,07 0,06 0,05 0,06 17041 0,98 %
500 30 2 0,01 0,83 0,06 0,06 0,06 0,04 0,05 17044 0,94 %
500 30 3 0,00 1,16 0,04 0,04 0,04 0,02 0,03 17043 0,99 %
500 30 4 0,02 0,82 0,05 0,04 0,04 0,02 0,03 17046 0,94 %
500 30 5 0,02 0,93 0,01 0,03 0,02 0,00 0,02 17046 0,81 %
500 30 6 0,01 0,91 0,01 0,01 0,01 -0,01 0,00 17051 0,91 %
500 30 7 0,01 0,87 0,03 0,03 0,03 0,01 0,03 17047 0,91 %
500 30 8 0,01 1,06 0,01 0,02 0,01 0,00 0,00 17049 0,88 %
500 30 9 0,00 0,97 0,03 0,04 0,03 0,02 0,03 17044 0,88 %
500 30 10 0,01 0,85 0,01 0,01 0,00 0,00 0,00 17050 0,96 %
500 40 1 0,04 1,53 0,05 0,06 0,06 0,04 0,05 13018 2,99 %
500 40 2 0,01 1,49 -0,01 0,01 0,01 -0,01 0,00 13026 2,44 %
500 40 3 0,05 0,10 0,01 0,03 0,03 0,01 0,01 13024 2,8 %
500 40 4 0,02 1,47 0,00 0,01 0,01 -0,02 -0,01 13026 2,25 %
500 40 5 0,00 1,50 0,01 0,01 0,02 0,00 0,00 13024 2,33 %
500 40 6 0,09 1,63 0,08 0,07 0,07 0,05 0,06 13018 3,05 %
500 40 7 0,02 1,18 0,05 0,06 0,05 0,03 0,04 13022 2,18 %
500 40 8 0,04 1,56 0,06 0,07 0,06 0,04 0,06 13018 3,25 %
500 40 9 0,00 1,40 0,03 0,04 0,04 0,02 0,03 13020 2,38 %
500 40 10 0,02 0,05 0,05 0,04 0,04 0,03 0,04 13021 2,35 %
500 50 1 0,07 0,07 0,42 0,06 0,06 0,05 0,06 10024 0,07 %
500 50 2 0,11 0,08 0,13 0,05 0,05 0,03 0,05 10025 0,04 %
500 50 3 0,12 0,07 0,25 0,06 0,05 0,03 0,05 10024 0,08 %

500 50 4 0,08 0,05 0,17 0,07 0,08 0,05 0,07 10020 0,01 %
500 50 5 0,07 0,09 0,29 0,07 0,07 0,06 0,07 10020 0,05 %
500 50 6 0,07 0,10 0,13 0,08 0,08 0,06 0,06 10022 0,05 %
500 50 7 0,10 0,10 0,18 0,08 0,08 0,07 0,07 10023 0,06 %
500 50 8 0,06 0,11 0,21 0,07 0,07 0,04 0,07 10022 0,06 %
500 50 9 0,07 0,17 0,30 0,07 0,08 0,05 0,08 10021 0,05 %
500 50 10 0,09 0,10 0,18 0,07 0,08 0,05 0,07 10025 0,07 %
1000 10 1 0,05 0,08 0,03 0,01 0,01 0,01 0,01 100820 0%
1000 10 2 0,04 0,05 0,07 0,03 0,03 0,02 0,03 100876 0%
1000 10 3 0,03 0,02 0,04 0,02 0,02 0,01 0,02 100922 0%
1000 10 4 0,19 0,18 0,11 0,04 0,04 0,04 0,04 100908 0%
1000 10 5 0,09 0,04 0,06 0,01 0,01 0,01 0,01 100897 0,01 %
1000 10 6 0,09 0,08 0,08 0,02 0,02 0,01 0,02 100881 0,01 %
1000 10 7 0,04 0,04 0,04 0,02 0,02 0,01 0,02 100867 0%
1000 10 8 0,06 0,08 0,08 0,03 0,03 0,02 0,03 100913 0%
1000 10 9 0,14 0,11 0,13 0,03 0,03 0,02 0,03 100921 0%
1000 10 10 0,07 0,13 0,05 0,01 0,01 0,01 0,01 100894 0%
1000 20 1 0,04 0,05 0,06 0,05 0,05 0,04 0,05 50231 0,02 %
1000 20 2 0,06 0,06 0,09 0,03 0,02 0,02 0,03 50229 0,02 %
1000 20 3 0,09 0,06 0,07 0,05 0,04 0,05 0,05 50245 0,02 %
1000 20 4 0,06 0,09 0,06 0,04 0,04 0,04 0,04 50211 0,01 %
1000 20 5 0,08 0,04 0,07 0,05 0,05 0,04 0,05 50224 0,02 %
1000 20 6 0,06 0,04 0,04 0,03 0,04 0,03 0,03 50238 0,03 %
1000 20 7 0,18 0,07 0,11 0,03 0,03 0,03 0,03 50225 0,02 %
1000 20 8 0,08 0,10 0,08 0,04 0,03 0,03 0,03 50236 0,04 %
1000 20 9 0,13 0,04 0,07 0,04 0,04 0,03 0,04 50225 0,02 %
1000 20 10 0,18 0,14 0,13 0,05 0,05 0,04 0,05 50224 0,02 %
1000 30 1 0,13 0,08 0,09 0,10 0,09 0,09 0,09 34060 1,6 %
1000 30 2 0,13 0,11 0,07 0,08 0,08 0,06 0,07 34056 1,48 %

1000 30 3 0,05 0,03 0,06 0,06 0,06 0,05 0,06 34061 1,6 %
1000 30 4 0,12 0,08 0,07 0,06 0,06 0,05 0,06 34059 1,64 %
1000 30 5 0,11 0,04 0,06 0,06 0,06 0,05 0,05 34068 1,59 %
1000 30 6 0,10 0,10 0,09 0,09 0,09 0,09 0,08 34052 1,58 %
1000 30 7 0,11 0,08 0,07 0,07 0,07 0,06 0,07 34060 1,58 %
1000 30 8 0,12 0,08 0,09 0,08 0,08 0,08 0,07 34059 1,58 %
1000 30 9 0,09 0,04 0,05 0,03 0,04 0,03 0,03 34066 1,56 %
1000 30 10 0,06 0,05 0,06 0,05 0,05 0,04 0,05 34062 1,61 %
1000 40 1 0,09 0,10 0,07 0,05 0,05 0,05 0,05 25060 0,03 %
1000 40 2 0,10 0,10 0,07 0,05 0,06 0,05 0,05 25058 0,03 %
1000 40 3 0,08 0,06 0,14 0,06 0,06 0,05 0,05 25058 0,03 %
1000 40 4 0,06 0,07 0,08 0,05 0,04 0,04 0,05 25058 0,04 %
1000 40 5 0,06 0,06 0,10 0,05 0,06 0,04 0,05 25056 0,03 %
1000 40 6 0,09 0,08 0,14 0,05 0,06 0,04 0,06 25058 0,03 %
1000 40 7 0,06 0,04 0,10 0,05 0,06 0,04 0,05 25060 0,03 %
1000 40 8 0,12 0,10 0,08 0,04 0,06 0,04 0,05 25060 0,03 %
1000 40 9 0,08 0,10 0,08 0,03 0,04 0,03 0,03 25067 0,05 %
1000 40 10 0,08 0,05 0,09 0,05 0,05 0,04 0,04 25059 0,03 %
1000 50 1 0,08 0,04 0,14 0,07 0,07 0,05 0,07 20040 0,04 %
1000 50 2 0,05 0,05 0,16 0,06 0,06 0,04 0,05 20035 0,03 %
1000 50 3 0,05 0,05 0,13 0,05 0,05 0,04 0,04 20039 0,04 %
1000 50 4 0,06 0,07 0,10 0,06 0,06 0,05 0,06 20038 0,03 %
1000 50 5 0,05 0,05 0,19 0,05 0,05 0,04 0,05 20038 0,03 %
1000 50 6 0,03 0,01 0,10 0,02 0,03 0,01 0,02 20044 0,06 %
1000 50 7 0,06 0,04 0,05 0,05 0,07 0,05 0,06 20035 0,02 %
1000 50 8 0,08 0,10 0,21 0,06 0,06 0,05 0,06 20040 0,04 %
1000 50 9 0,03 0,04 0,11 0,03 0,04 0,02 0,03 20041 0,06 %
1000 50 10 0,10 0,10 0,11 0,07 0,07 0,07 0,06 20037 0,03 %
A.6. Tabla completa para trabajos correlacionados 287
A.6. Tabla completa para trabajos correlacionados

100 10 1 0,40 0,20 0,79 0,28 0,36 0,20 0,12 505 0,4 %
100 10 2 0,58 0,58 0,58 0,54 0,58 0,31 0,31 516 0,39 %
100 10 3 0,54 0,18 0,54 1,52 1,52 1,01 0,90 554 0,36 %
100 10 4 0,90 0,36 0,72 0,22 0,25 0,04 0,04 553 0,54 %
100 10 5 0,00 0,36 0,89 0,50 0,50 0,32 0,36 562 0,36 %
100 10 6 0,39 0,20 0,98 1,26 1,42 0,98 0,94 508 0,2 %
100 10 7 0,40 1,19 0,79 0,28 0,36 0,16 0,08 506 0,4 %
100 10 8 0,98 0,59 0,98 1,81 1,81 1,02 1,34 508 0,2 %
100 10 9 0,38 0,38 0,76 0,49 0,53 0,38 0,34 529 0,38 %
100 10 10 0,41 1,22 0,82 0,65 0,69 0,41 0,45 490 0,2 %
100 20 1 0,78 2,71 1,16 2,17 2,56 0,78 1,78 258 1,16 %
100 20 2 0,78 2,71 1,55 0,70 1,09 0,08 0,31 258 1,55 %
100 20 3 1,47 2,21 1,10 1,18 1,18 0,44 0,81 272 1,47 %
100 20 4 1,37 2,05 1,03 1,51 1,71 0,68 1,37 292 1,37 %
100 20 5 1,05 1,05 0,70 0,56 0,84 0,21 0,28 287 1,74 %
100 20 6 2,66 2,66 1,52 2,28 2,81 1,29 2,05 263 1,14 %
100 20 7 0,74 2,57 1,10 0,88 1,10 0,29 0,51 272 1,47 %
100 20 8 1,05 0,70 1,75 1,19 1,40 0,63 0,70 286 1,4 %
100 20 9 1,10 2,21 1,84 1,69 1,91 1,32 1,54 272 1,47 %
100 20 10 0,85 2,99 0,85 0,85 1,11 0,34 0,60 234 1,71 %
100 30 1 3,91 6,70 0,00 1,12 2,01 -0,11 0,22 179 3,35 %
100 30 2 1,70 4,55 1,70 1,82 2,95 0,68 1,25 176 3,41 %
100 30 3 3,80 6,52 1,09 1,74 2,72 0,76 0,87 184 2,72 %
100 30 4 1,14 4,00 0,00 1,60 2,86 0,23 0,57 175 3,43 %
100 30 5 2,35 2,94 1,76 1,76 2,35 0,59 0,94 170 2,94 %
100 30 6 2,42 1,82 1,82 1,94 3,03 0,97 1,45 165 3,03 %
100 30 7 2,31 5,20 1,16 2,31 2,89 0,58 1,50 173 2,89 %

100 30 8 1,75 4,68 1,17 2,57 3,86 1,05 1,40 171 2,92 %
100 30 9 2,14 3,74 0,53 1,28 2,03 0,11 0,86 187 3,21 %
100 30 10 1,65 7,14 0,55 2,09 2,75 0,11 1,32 182 3,3 %
100 40 1 2,72 7,48 0,00 2,59 4,63 0,27 0,41 147 5,44 %
100 40 2 3,03 9,85 1,52 5,15 10,30 3,48 3,03 132 5,3 %
100 40 3 2,61 6,54 1,31 5,62 8,76 2,61 4,18 153 3,92 %
100 40 4 2,82 11,97 1,41 3,80 6,90 1,55 2,11 142 4,23 %
100 40 5 2,82 9,15 0,70 3,24 5,77 2,39 1,69 142 4,23 %
100 40 6 2,78 8,33 2,78 5,97 10,97 3,06 3,33 144 5,56 %
100 40 7 1,59 1,59 0,00 3,02 6,67 0,16 0,79 126 5,56 %
100 40 8 2,86 7,14 1,43 3,29 6,29 0,86 1,43 140 5%
100 40 9 0,78 7,81 2,34 4,06 5,94 2,81 1,72 128 5,47 %
100 40 10 2,22 2,22 0,74 3,56 6,81 2,07 1,63 135 4,44 %
100 50 1 1,92 6,73 0,00 1,35 5,00 0,19 1,73 104 2,88 %
100 50 2 5,31 13,27 4,42 7,61 10,44 5,31 4,96 113 5,31 %
100 50 3 4,24 11,02 2,54 4,58 10,68 2,54 1,86 118 8,47 %
100 50 4 1,72 6,90 1,72 7,24 11,38 5,00 4,48 116 8,62 %
100 50 5 2,86 4,76 1,90 4,38 9,33 3,05 2,67 105 4,76 %
100 50 6 4,35 8,70 6,09 7,48 13,22 6,43 4,87 115 6,09 %
100 50 7 2,36 7,09 2,36 5,20 9,29 5,51 3,46 127 8,66 %
100 50 8 3,45 7,76 2,59 5,17 9,66 6,38 3,79 116 8,62 %
100 50 9 1,83 5,50 1,83 3,49 6,79 1,47 2,20 109 7,34 %
100 50 10 3,77 6,60 1,89 4,15 8,30 4,34 3,21 106 4,72 %
200 10 1 0,45 0,18 0,27 0,45 0,48 0,34 0,41 1121 0,18 %
200 10 2 0,47 0,28 0,38 1,07 1,13 0,81 0,96 1063 0,09 %
200 10 3 0,18 0,27 0,55 0,26 0,24 0,16 0,22 1095 0,18 %
200 10 4 0,18 0,36 0,45 0,45 0,51 0,27 0,36 1100 0,09 %
200 10 5 0,10 0,30 0,39 0,71 0,71 0,45 0,51 1014 0,1 %
200 10 6 0,28 0,19 0,37 0,26 0,28 0,24 0,21 1071 0,19 %

200 10 7 0,52 0,21 0,21 0,31 0,37 0,23 0,27 970 0,1 %
200 10 8 0,18 0,00 0,36 0,53 0,60 0,42 0,42 1104 0,18 %
200 10 9 0,19 0,19 0,29 0,31 0,29 0,23 0,23 1039 0,19 %
200 10 10 0,37 0,64 0,18 0,59 0,68 0,46 0,59 1087 0,18 %
200 20 1 1,36 1,36 0,78 0,47 0,58 0,27 0,39 515 0,58 %
200 20 2 1,54 0,39 0,58 0,50 0,69 0,31 0,35 518 0,58 %
200 20 3 1,25 1,25 0,18 0,61 0,71 0,25 0,50 560 0,89 %
200 20 4 1,76 1,76 0,88 0,70 0,67 0,32 0,49 569 0,53 %
200 20 5 1,79 1,25 0,71 0,43 0,46 0,18 0,36 560 0,71 %
200 20 6 1,87 2,06 0,75 0,75 0,75 0,52 0,56 534 0,37 %
200 20 7 1,37 0,98 0,39 0,67 0,71 0,43 0,51 510 0,59 %
200 20 8 2,10 0,57 0,38 0,99 1,07 0,80 0,88 525 0,57 %
200 20 9 1,79 1,20 0,40 0,44 0,60 0,32 0,36 502 0,6 %
200 20 10 1,53 0,95 0,57 0,73 0,80 0,38 0,57 524 0,57 %
200 30 1 3,68 1,70 0,57 1,19 1,30 0,57 0,96 353 1,42 %
200 30 2 3,94 4,23 1,13 2,20 2,59 1,46 1,86 355 1,13 %
200 30 3 2,97 2,97 0,59 1,13 1,13 0,42 0,53 337 1,19 %
200 30 4 1,96 1,68 0,56 0,56 0,90 0,06 0,34 357 1,4 %
200 30 5 2,50 2,50 0,31 1,00 1,13 0,44 0,56 320 1,56 %
200 30 6 2,59 2,01 0,57 1,44 1,38 0,52 1,26 348 1,15 %
200 30 7 2,22 3,06 0,56 1,50 1,83 0,83 1,22 360 1,67 %
200 30 8 2,23 1,96 0,28 1,01 1,23 0,45 0,89 358 1,12 %
200 30 9 2,87 2,01 0,00 0,57 1,09 0,00 0,34 348 1,44 %
200 30 10 3,23 2,93 1,17 2,05 2,11 1,35 1,64 341 0,88 %
200 40 1 3,19 4,78 0,40 1,51 2,31 0,24 0,80 251 1,99 %
200 40 2 3,05 4,58 0,38 2,37 2,21 0,76 1,76 262 2,29 %
200 40 3 5,04 2,33 0,39 1,47 1,94 0,54 0,70 258 1,94 %
200 40 4 3,75 4,12 0,37 1,87 2,62 0,52 1,12 267 1,87 %
200 40 5 3,79 4,55 0,76 2,27 2,58 1,14 2,12 264 1,89 %

200 40 6 3,76 4,89 -0,38 0,68 1,13 -0,38 0,23 266 2,63 %
200 40 7 1,84 2,57 -1,47 0,00 0,51 -1,03 -0,44 272 3,31 %
200 40 8 1,20 1,99 -1,99 -0,24 0,16 -1,43 -0,88 251 3,98 %
200 40 9 2,32 3,47 0,00 2,32 2,63 0,69 1,39 259 2,7 %
200 40 10 3,31 1,65 -0,83 1,16 1,40 0,08 1,07 242 2,48 %
200 50 1 5,33 5,78 0,00 2,40 4,44 0,80 1,42 225 2,67 %
200 50 2 4,23 4,69 -0,47 1,97 3,76 0,47 1,22 213 3,29 %
200 50 3 4,13 6,88 0,00 2,66 3,67 0,73 2,39 218 2,75 %
200 50 4 6,07 7,48 -0,93 3,46 4,39 1,68 2,52 214 3,27 %
200 50 5 4,93 3,94 -0,99 1,67 2,56 0,30 0,59 203 3,45 %
200 50 6 3,09 6,19 0,00 2,16 3,51 0,62 1,44 194 3,09 %
200 50 7 6,22 4,44 -0,44 2,40 3,38 0,53 1,24 225 3,11 %
200 50 8 5,29 7,69 -0,48 2,12 3,37 0,38 1,63 208 3,37 %
200 50 9 7,32 2,93 -0,98 3,41 3,41 1,46 2,34 205 2,93 %
200 50 10 3,07 0,88 -2,19 0,53 1,32 -1,58 -0,61 228 4,82 %
500 10 1 0,31 0,23 0,08 0,59 0,66 0,71 0,72 2602 0,08 %
500 10 2 0,30 0,15 0,15 0,13 0,12 0,12 0,11 2643 0,04 %
500 10 3 0,30 0,22 0,19 0,12 0,13 0,10 0,13 2680 0,04 %
500 10 4 0,25 0,15 0,11 0,15 0,15 0,13 0,12 2753 0,04 %
500 10 5 0,19 0,12 0,12 0,22 0,22 0,25 0,22 2597 0,04 %
500 10 6 0,19 0,27 0,08 0,55 0,53 0,47 0,44 2612 0,04 %
500 10 7 0,12 0,28 0,16 0,16 0,16 0,17 0,17 2522 0,04 %
500 10 8 0,30 0,08 0,11 0,16 0,16 0,14 0,15 2639 0,04 %
500 10 9 0,26 0,11 0,15 0,40 0,42 0,38 0,40 2711 0,04 %
500 10 10 0,30 0,04 0,15 0,28 0,25 0,31 0,30 2631 0,04 %
500 20 1 0,78 0,78 0,24 0,75 0,93 0,78 0,78 1274 0,16 %
500 20 2 0,54 0,54 0,23 0,17 0,25 0,19 0,20 1296 0,23 %
500 20 3 0,98 1,21 0,23 0,32 0,30 0,23 0,27 1323 0,23 %
500 20 4 0,52 0,44 0,00 0,49 0,52 0,34 0,44 1358 0,37 %

500 20 5 0,53 0,90 0,15 0,17 0,21 0,17 0,21 1330 0,23 %
500 20 6 0,70 0,47 0,00 0,30 0,25 0,23 0,23 1286 0,23 %
500 20 7 0,45 0,90 0,15 0,42 0,45 0,34 0,43 1336 0,22 %
500 20 8 0,62 0,70 0,08 0,31 0,29 0,28 0,25 1293 0,23 %
500 20 9 0,86 1,10 0,16 0,58 0,72 0,53 0,61 1278 0,16 %
500 20 10 0,93 0,70 0,08 0,17 0,19 0,17 0,17 1284 0,23 %
500 30 1 2,02 0,79 0,00 0,31 0,27 0,22 0,27 889 0,45 %
500 30 2 1,55 0,95 0,24 0,57 0,55 0,45 0,53 838 0,48 %
500 30 3 1,73 1,85 0,12 0,72 0,72 0,42 0,58 867 0,58 %
500 30 4 2,56 1,16 0,12 0,14 0,19 0,00 0,09 860 0,58 %
500 30 5 2,00 0,89 -0,22 0,18 0,20 0,00 0,13 898 0,67 %
500 30 6 1,81 1,02 -0,11 0,02 0,11 -0,11 0,05 885 0,68 %
500 30 7 2,25 1,07 0,24 0,62 0,64 0,43 0,52 844 0,36 %
500 30 8 2,15 0,95 0,00 0,86 0,88 0,72 0,83 839 0,6 %
500 30 9 2,54 1,73 0,35 0,46 0,44 0,25 0,39 865 0,35 %
500 30 10 3,45 1,15 0,00 0,53 0,46 0,30 0,37 869 0,46 %
500 40 1 4,24 2,27 0,00 0,61 0,51 0,15 0,45 661 0,91 %
500 40 2 2,58 1,06 0,15 0,30 0,30 -0,03 0,18 660 0,91 %
500 40 3 4,51 2,95 -0,31 0,00 0,09 -0,22 -0,09 643 1,09 %
500 40 4 4,58 1,07 -0,46 -0,09 -0,06 -0,43 -0,27 655 1,22 %
500 40 5 2,50 1,91 0,00 0,50 0,62 0,27 0,44 679 0,88 %
500 40 6 5,06 1,69 0,15 0,74 0,83 0,34 0,71 652 0,77 %
500 40 7 4,03 1,34 0,00 0,30 0,24 0,00 0,15 670 0,9 %
500 40 8 4,37 2,34 0,16 0,44 0,41 0,09 0,34 641 0,78 %
500 40 9 4,29 1,91 -0,16 0,45 0,54 0,16 0,35 629 0,95 %
500 40 10 3,37 0,96 -0,16 0,29 0,35 0,03 0,29 623 0,96 %
500 50 1 4,31 2,54 -0,39 0,63 0,70 0,08 0,43 511 1,37 %
500 50 2 4,13 3,75 -0,56 0,08 0,26 -0,49 -0,11 533 1,69 %
500 50 3 5,12 2,85 -0,76 0,15 0,34 -0,27 0,00 527 1,52 %

500 50 4 6,35 1,35 -0,38 0,38 0,42 -0,15 0,15 520 1,54 %
500 50 5 5,00 4,63 -0,37 0,07 0,26 -0,41 -0,26 540 1,67 %
500 50 6 4,36 3,03 -0,57 0,23 0,30 -0,34 0,08 528 1,52 %
500 50 7 5,02 3,47 -0,77 0,23 0,31 -0,42 -0,04 518 1,54 %
500 50 8 3,54 2,99 -0,19 0,93 0,82 0,26 0,60 536 1,31 %
500 50 9 4,51 1,88 -0,19 0,79 0,94 0,41 0,56 532 1,13 %
500 50 10 5,95 6,91 0,00 0,65 0,88 0,35 0,42 521 0,96 %
1000 10 1 0,20 0,13 0,13 0,07 0,09 0,09 0,08 5485 3441,58 seg
1000 10 2 0,23 0,09 0,08 0,11 0,13 0,14 0,12 5291 2543,42 seg
1000 10 3 0,10 0,08 0,10 0,22 0,25 0,23 0,23 5223 0,02 %
1000 10 4 0,11 0,09 0,13 0,09 0,09 0,10 0,10 5401 1943,83 seg
1000 10 5 0,15 0,19 0,08 0,09 0,09 0,08 0,08 5257 3988,52 seg
1000 10 6 0,21 0,09 0,09 0,07 0,08 0,08 0,07 5339 236,19 seg
1000 10 7 0,12 0,08 0,08 0,07 0,09 0,10 0,10 5208 0,02 %
1000 10 8 0,15 0,02 0,09 0,25 0,27 0,34 0,33 5336 0,02 %
1000 10 9 0,08 0,08 0,04 0,06 0,07 0,06 0,07 5237 0,02 %
1000 10 10 0,14 0,06 0,10 0,08 0,09 0,08 0,08 5146 5515,55 seg
1000 20 1 0,88 1,11 0,04 0,20 0,25 0,20 0,22 2604 0,12 %
1000 20 2 0,81 0,54 0,04 0,50 0,50 0,45 0,48 2581 0,12 %
1000 20 3 0,79 0,28 0,04 0,16 0,14 0,13 0,13 2523 0,08 %
1000 20 4 0,76 0,15 0,11 0,11 0,12 0,10 0,09 2622 0,11 %
1000 20 5 0,63 0,31 0,08 0,18 0,19 0,19 0,19 2555 0,08 %
1000 20 6 0,84 0,73 0,00 0,28 0,27 0,26 0,29 2608 0,15 %
1000 20 7 0,45 0,15 0,08 0,63 0,62 0,56 0,59 2659 0,11 %
1000 20 8 0,66 0,31 0,04 0,12 0,12 0,09 0,11 2577 0,12 %
1000 20 9 0,54 0,73 0,08 0,15 0,15 0,11 0,15 2615 0,11 %
1000 20 10 0,63 0,43 0,04 0,40 0,43 0,39 0,41 2535 0,12 %
1000 30 1 1,73 1,04 0,06 0,25 0,29 0,22 0,23 1734 0,23 %
1000 30 2 1,72 1,55 0,06 0,52 0,44 0,33 0,46 1744 0,23 %

1000 30 3 1,47 0,65 -0,12 0,05 0,02 0,01 0,02 1695 0,29 %
1000 30 4 1,15 1,21 -0,06 0,12 0,14 0,10 0,09 1735 0,29 %
1000 30 5 1,58 0,58 0,00 0,28 0,29 0,27 0,33 1712 0,29 %
1000 30 6 1,41 1,93 -0,12 0,00 0,01 -0,02 -0,01 1707 0,29 %
1000 30 7 1,53 2,24 0,00 0,18 0,16 0,09 0,09 1697 0,24 %
1000 30 8 1,59 1,25 0,06 0,26 0,25 0,23 0,20 1761 0,28 %
1000 30 9 1,86 1,05 -0,06 0,13 0,10 0,08 0,09 1717 0,29 %
1000 30 10 1,57 0,99 0,00 0,34 0,36 0,26 0,31 1715 0,29 %
1000 40 1 2,40 1,65 -0,08 0,05 0,00 -0,08 -0,06 1332 0,45 %
1000 40 2 3,14 1,87 -0,07 0,06 0,06 -0,04 0,04 1336 0,45 %
1000 40 3 2,38 2,38 -0,16 0,22 0,21 0,14 0,17 1261 0,48 %
1000 40 4 2,40 1,65 -0,15 0,01 0,04 -0,03 -0,01 1334 0,45 %
1000 40 5 2,68 1,50 -0,16 0,00 0,00 -0,06 0,00 1269 0,47 %
1000 40 6 2,24 1,68 -0,16 0,24 0,24 0,18 0,22 1248 0,4 %
1000 40 7 2,43 1,67 -0,08 0,12 0,09 0,00 0,09 1316 0,46 %
1000 40 8 2,43 0,91 -0,15 0,23 0,23 0,11 0,23 1318 0,46 %
1000 40 9 2,82 2,59 0,00 0,12 0,15 0,06 0,11 1314 0,38 %
1000 40 10 2,95 1,79 -0,08 0,12 0,11 0,02 0,05 1288 0,39 %
1000 50 1 2,73 2,15 -0,39 -0,04 -0,12 -0,12 -0,02 1024 0,78 %
1000 50 2 4,07 1,84 -0,19 0,60 0,60 0,48 0,56 1032 0,58 %
1000 50 3 4,84 2,91 -0,29 -0,04 -0,02 -0,21 -0,14 1032 0,68 %
1000 50 4 5,69 3,99 -0,30 0,04 -0,02 -0,14 -0,04 1002 0,6 %
1000 50 5 5,79 2,85 -0,39 -0,06 -0,02 -0,18 -0,08 1019 0,69 %
1000 50 6 4,20 3,51 -0,20 0,18 0,16 0,00 0,08 1025 0,68 %
1000 50 7 4,99 2,26 -0,28 0,38 0,43 0,17 0,32 1063 0,66 %
1000 50 8 3,60 1,46 -0,29 0,02 0,00 -0,10 -0,08 1029 0,58 %
1000 50 9 4,29 4,67 -0,38 -0,17 -0,10 -0,34 -0,17 1050 0,86 %
1000 50 10 5,53 3,10 -0,10 0,48 0,45 0,21 0,35 1031 0,58 %
Tabla A.6 – Tabla completa de trabajos correlacionados.
A.7. Tabla completa para máquinas correlacionadas

100 10 1 0,00 0,00 2,26 0,23 0,27 0,23 0,23 443 12,61 seg
100 10 2 0,00 0,24 1,65 0,19 0,14 0,33 0,00 425 3,53 seg
100 10 3 0,00 0,00 2,67 0,00 0,00 0,20 0,00 300 4,55 seg
100 10 4 0,00 0,00 0,28 0,28 0,22 0,28 0,22 356 4,13 seg
100 10 5 0,00 0,00 2,15 0,31 0,31 0,31 0,25 326 5,17 seg
100 10 6 0,00 0,00 2,44 0,12 0,00 0,37 0,00 164 2,3 seg
100 10 7 0,00 0,19 1,56 0,19 0,08 0,00 0,00 514 41,47 seg
100 10 8 0,00 0,00 1,50 0,75 1,13 0,38 0,23 266 2,16 seg
100 10 9 0,00 0,28 1,39 0,28 0,28 0,22 0,22 359 3,58 seg
100 10 10 0,00 0,32 0,64 0,45 0,32 0,38 0,25 314 3,73 seg
100 20 1 0,00 0,00 4,72 0,94 0,94 0,94 0,94 106 4,89 seg
100 20 2 0,00 0,70 2,80 0,70 0,70 0,42 0,42 143 6,27 seg
100 20 3 0,00 0,00 6,67 0,67 0,83 0,67 0,50 120 1,08 seg
100 20 4 0,00 0,00 5,88 1,18 1,18 1,18 1,18 85 7,27 seg
100 20 5 0,00 0,00 2,27 0,57 0,57 0,23 0,34 176 4 seg
100 20 6 0,00 0,00 3,92 0,00 0,00 0,00 0,00 102 3,89 seg
100 20 7 0,00 0,00 0,90 0,09 0,00 0,00 0,00 221 8,22 seg
100 20 8 0,00 0,00 4,46 0,64 0,64 0,25 0,51 157 8,63 seg
100 20 9 0,82 0,00 0,82 0,00 0,00 0,00 0,00 122 1,64 %
100 20 10 0,00 0,00 1,92 0,29 0,10 0,00 0,00 208 4,42 seg
100 30 1 0,00 0,00 8,97 1,28 1,28 1,28 1,28 78 5,39 seg
100 30 2 0,00 0,00 3,06 0,20 0,82 0,41 0,00 98 26,81 seg
100 30 3 0,00 0,00 0,99 0,00 0,00 0,00 0,00 101 11,19 seg
100 30 4 0,00 0,00 6,06 0,76 0,00 0,00 0,15 132 7,06 seg
100 30 5 0,00 0,00 5,26 1,05 2,63 1,05 0,79 76 4,33 seg
100 30 6 0,00 0,00 3,03 0,00 0,00 0,00 0,00 132 0,76 %
100 30 7 0,00 0,00 2,82 0,00 0,00 0,00 0,00 142 6,72 seg
A.7. Tabla completa para máquinas correlacionadas 295

100 30 8 0,00 0,82 4,10 0,82 0,82 0,82 0,82 122 7,06 seg
100 30 9 0,00 0,00 1,79 0,00 0,00 0,00 0,00 112 12,75 seg
100 30 10 0,00 0,00 1,64 0,33 0,16 0,16 0,00 122 7,83 seg
100 40 1 0,00 0,00 5,97 1,49 1,49 1,49 1,49 67 2,67 seg
100 40 2 0,00 0,00 5,48 0,55 0,82 0,55 0,00 73 5,42 seg
100 40 3 0,00 0,00 4,00 0,00 0,00 0,00 0,00 75 2,64 seg
100 40 4 0,00 0,00 6,31 0,00 0,18 0,00 0,00 111 8,17 seg
100 40 5 0,00 0,00 5,26 0,00 0,00 0,00 0,00 95 16,81 seg
100 40 6 0,00 0,00 3,41 0,00 0,00 0,23 0,00 88 1,42 seg
100 40 7 0,00 0,00 2,74 0,00 0,00 0,00 0,00 73 5,33 seg
100 40 8 0,00 0,00 4,17 0,00 0,00 0,00 0,00 72 3,36 seg
100 40 9 0,00 0,00 1,02 0,20 0,61 0,00 0,00 98 5,97 seg
100 40 10 1,15 0,00 3,45 0,00 0,00 0,00 0,00 87 1,15 %
100 50 1 0,00 0,00 5,19 0,00 0,00 0,00 0,00 77 14,81 seg
100 50 2 0,00 0,00 6,06 0,00 0,00 0,00 0,00 66 6,5 seg
100 50 3 0,00 0,00 1,61 0,00 0,32 0,00 0,00 62 1,08 seg
100 50 4 0,00 0,00 2,53 0,00 0,00 0,00 0,00 79 7,13 seg
100 50 5 0,00 0,00 2,70 0,00 0,00 0,00 0,00 74 9,45 seg
100 50 6 1,52 0,00 10,61 1,52 1,52 1,82 1,52 66 23,22 seg
100 50 7 1,35 0,00 5,41 0,27 0,00 0,00 0,00 74 39,16 seg
100 50 8 0,00 0,00 5,13 0,00 0,00 0,00 0,00 78 5,06 seg
100 50 9 0,00 0,00 5,80 1,16 1,45 1,45 0,29 69 1,5 seg
100 50 10 0,00 0,00 8,62 1,72 1,72 2,07 1,72 58 4,39 seg
200 10 1 0,39 0,39 1,75 1,05 1,13 1,05 0,97 515 0,19 %
200 10 2 0,00 0,21 2,11 0,55 0,51 0,47 0,42 473 10,03 seg
200 10 3 0,12 0,12 0,97 0,36 0,32 0,27 0,24 822 0,12 %
200 10 4 1,02 0,13 1,27 0,48 0,51 0,41 0,38 785 3225,13 seg
200 10 5 0,17 0,34 2,39 0,78 0,68 0,48 0,61 587 4298,13 seg
200 10 6 0,00 0,00 0,62 0,21 0,21 0,05 0,11 1138 11,64 seg

200 10 7 1,21 1,04 1,04 0,69 0,59 0,52 0,62 578 0,35 %
200 10 8 0,84 0,12 1,45 0,65 0,58 0,39 0,53 830 0,12 %
200 10 9 0,00 0,93 1,12 0,19 0,19 0,04 0,15 535 0,93 %
200 10 10 0,76 0,46 1,99 0,67 0,61 0,55 0,61 654 0,31 %
200 20 1 0,24 0,24 0,71 0,05 0,00 0,00 0,00 422 19,28 seg
200 20 2 1,40 0,70 0,47 0,37 0,33 0,14 0,23 428 0,7 %
200 20 3 1,12 0,00 2,81 1,12 1,24 1,12 1,12 178 32,91 seg
200 20 4 0,79 0,26 1,06 0,26 0,26 0,00 0,11 378 0,53 %
200 20 5 1,42 0,85 0,85 0,00 0,00 0,00 0,00 352 1,14 %
200 20 6 1,13 1,13 1,97 0,68 0,51 0,34 0,51 355 0,56 %
200 20 7 1,64 1,31 0,98 0,72 0,72 0,46 0,52 305 0,66 %
200 20 8 0,00 0,53 0,53 0,11 0,21 0,00 0,00 376 14,99 seg
200 20 9 1,03 0,26 0,26 0,26 0,26 0,26 0,26 387 1,29 %
200 20 10 0,28 0,00 1,93 0,61 0,61 0,44 0,50 363 30,25 seg
200 30 1 0,83 0,00 3,75 0,42 0,50 0,00 0,17 240 0,83 %
200 30 2 1,25 1,88 3,13 1,38 1,00 1,25 1,25 160 1,25 %
200 30 3 0,47 0,00 1,88 0,47 0,47 0,28 0,28 213 17,08 seg
200 30 4 1,91 1,44 1,44 0,57 0,77 0,48 0,48 209 1,44 %
200 30 5 1,79 0,36 0,72 0,00 0,00 0,00 0,00 279 41,09 seg
200 30 6 1,54 2,05 3,08 1,54 1,13 1,23 0,92 195 4248,7 seg
200 30 7 0,00 2,30 0,57 0,46 0,46 0,34 0,34 348 25,67 seg
200 30 8 1,89 1,89 3,14 1,51 1,64 1,13 1,13 159 30,7 seg
200 30 9 1,88 0,00 3,75 0,63 0,63 0,38 0,63 160 0,63 %
200 30 10 1,22 1,63 1,22 0,65 0,65 0,16 0,57 246 0,81 %
200 40 1 2,33 1,55 13,95 1,40 1,24 1,40 0,93 129 43,83 seg
200 40 2 1,14 1,70 0,57 0,23 0,57 0,00 0,00 176 64,63 seg
200 40 3 2,00 0,00 8,00 1,20 1,33 1,07 1,33 150 45,58 seg
200 40 4 2,40 2,40 1,60 0,80 0,80 0,80 0,80 125 28,92 seg
200 40 5 1,27 0,00 3,80 0,51 0,25 0,00 0,13 158 0,63 %

200 40 6 1,18 0,59 2,35 0,59 0,59 0,35 0,47 170 48,56 seg
200 40 7 1,51 0,00 1,01 0,60 0,50 0,50 0,50 199 67,88 seg
200 40 8 1,42 1,42 2,13 0,57 0,43 0,14 0,28 141 1,42 %
200 40 9 1,31 0,65 3,27 0,13 0,00 0,13 0,13 153 1,31 %
200 40 10 1,27 1,27 7,01 0,64 0,64 0,64 0,64 157 88,64 seg
200 50 1 2,03 0,00 5,41 0,41 0,68 0,41 0,27 148 109,5 seg
200 50 2 1,61 0,00 4,84 0,65 0,81 0,65 0,81 124 101,92 seg
200 50 3 3,05 1,22 1,22 0,00 0,00 0,00 0,00 164 125,91 seg
200 50 4 1,33 0,00 10,67 1,33 0,27 0,27 0,27 75 1,33 %
200 50 5 1,61 1,61 1,61 1,13 1,29 0,81 0,97 124 0,81 %
200 50 6 0,84 0,00 5,88 0,84 0,84 0,67 0,67 119 27,19 seg
200 50 7 1,67 0,00 1,67 0,00 0,00 0,00 0,00 120 64,81 seg
200 50 8 2,59 1,72 4,31 1,38 1,72 0,86 1,03 116 49,23 seg
200 50 9 1,39 1,39 1,39 0,56 0,56 0,14 0,56 144 1,39 %
200 50 10 2,94 0,98 5,88 1,96 1,57 1,76 1,96 102 83,09 seg
500 10 1 0,16 0,08 1,17 0,89 0,91 0,80 0,84 1279 0,23 %
500 10 2 0,38 0,11 0,65 0,36 0,34 0,35 0,33 2610 0,11 %
500 10 3 0,21 0,10 0,73 0,71 0,68 0,69 0,65 1912 53,81 seg
500 10 4 0,24 0,16 0,72 0,92 0,86 0,89 0,84 1255 0,08 %
500 10 5 0,13 0,17 0,35 0,35 0,37 0,31 0,34 2298 0,09 %
500 10 6 0,33 0,28 0,71 0,96 0,93 0,85 0,93 2116 0,09 %
500 10 7 0,34 0,13 0,63 0,49 0,45 0,35 0,38 2374 231,58 seg
500 10 8 0,65 0,12 0,77 0,25 0,22 0,19 0,21 2603 0,08 %
500 10 9 0,09 0,17 0,96 0,44 0,47 0,35 0,40 1146 0,17 %
500 10 10 0,24 0,16 0,64 0,64 0,54 0,71 0,46 1248 0,16 %
500 20 1 0,76 0,76 0,91 0,94 1,00 0,82 0,91 661 0,45 %
500 20 2 0,68 0,68 1,09 0,90 0,93 0,90 0,82 734 0,41 %
500 20 3 0,97 0,12 1,09 0,51 0,51 0,48 0,53 829 0,36 %
500 20 4 0,82 0,49 1,15 0,82 0,79 0,69 0,79 611 0,16 %

500 20 5 0,61 0,35 0,79 0,49 0,47 0,39 0,42 1140 0,26 %
500 20 6 1,02 0,16 0,47 0,19 0,24 0,09 0,16 1275 0,86 %
500 20 7 1,13 1,25 1,13 0,82 0,86 0,86 0,84 882 0,11 %
500 20 8 0,61 0,87 0,78 0,26 0,24 0,21 0,23 1150 0,78 %
500 20 9 0,88 0,66 6,39 1,32 1,23 1,28 1,19 454 0,44 %
500 20 10 1,15 0,23 2,75 0,92 0,78 0,92 0,83 436 155 seg
500 30 1 0,96 0,96 0,72 0,72 0,77 0,67 0,67 418 0,72 %
500 30 2 1,31 1,12 0,75 0,82 1,12 0,60 0,67 534 130,48 seg
500 30 3 0,41 1,44 0,21 1,15 1,03 1,03 1,03 486 0,41 %
500 30 4 0,70 1,40 0,93 1,26 1,17 1,17 1,17 429 768,67 seg
500 30 5 1,15 0,92 1,61 0,46 0,46 0,51 0,37 434 0,46 %
500 30 6 1,64 1,64 1,37 0,77 0,77 0,55 0,71 366 0,55 %
500 30 7 1,52 0,95 1,52 0,95 0,98 0,91 0,91 528 0,38 %
500 30 8 0,78 1,56 0,93 0,87 0,97 0,90 0,90 642 211,23 seg
500 30 9 1,52 0,00 0,00 0,39 0,26 0,22 0,22 462 0,87 %
500 30 10 0,94 1,72 0,16 0,53 0,47 0,38 0,47 638 0,63 %
500 40 1 1,62 1,62 2,92 1,30 1,30 1,10 1,17 308 0,97 %
500 40 2 1,27 2,22 1,27 1,27 1,27 1,27 1,27 316 0,32 %
500 40 3 1,62 2,70 2,70 0,54 0,59 0,54 0,54 370 0,54 %
500 40 4 0,96 0,96 7,69 0,71 0,71 0,38 0,58 312 0,96 %
500 40 5 1,96 1,31 1,31 0,65 0,72 0,78 0,65 306 0,65 %
500 40 6 2,54 0,51 3,05 0,56 0,61 0,51 0,56 394 2412,98 seg
500 40 7 2,12 1,89 1,89 0,42 0,47 0,47 0,28 424 0,47 %
500 40 8 2,15 3,08 0,92 1,11 1,11 0,92 0,98 325 0,62 %
500 40 9 1,09 1,74 2,17 0,30 0,35 0,17 0,09 460 0,65 %
500 40 10 1,41 2,54 1,41 0,73 0,68 0,68 0,73 355 0,56 %
500 50 1 4,44 3,33 2,22 2,44 2,44 2,33 2,33 180 2036,47 seg
500 50 2 1,36 2,04 2,04 0,75 0,82 0,68 0,68 294 0,68 %
500 50 3 2,49 4,27 4,98 1,35 1,42 1,35 1,35 281 121,83 seg

500 50 4 2,45 2,86 2,86 0,82 0,90 0,82 0,90 245 93,88 seg
500 50 5 4,69 3,13 2,81 0,88 0,81 0,69 0,63 320 0,31 %
500 50 6 2,60 0,52 4,69 0,42 0,42 0,52 0,52 192 307,52 seg
500 50 7 1,73 5,19 0,58 0,35 0,29 0,29 0,29 347 0,29 %
500 50 8 1,69 3,73 3,73 0,68 0,81 0,61 0,41 295 437,14 seg
500 50 9 2,95 1,27 1,27 1,18 1,27 1,27 1,10 237 0,84 %
500 50 10 2,78 2,38 4,76 1,11 1,19 1,11 1,19 252 0,79 %
1000 10 1 0,12 0,08 0,24 0,76 0,73 0,71 0,71 2546 0,04 %
1000 10 2 0,40 0,08 0,45 0,63 0,61 0,59 0,63 3537 0,06 %
1000 10 3 0,25 0,15 0,20 0,82 0,84 0,83 0,85 2040 0,1 %
1000 10 4 0,12 0,37 0,16 0,62 0,64 0,55 0,58 4313 0,14 %
1000 10 5 0,26 0,15 0,30 0,76 0,74 0,67 0,64 2649 0,15 %
1000 10 6 0,13 0,37 0,37 0,22 0,20 0,18 0,17 6286 0,05 %
1000 10 7 0,36 0,11 0,36 0,88 0,85 0,80 0,76 3582 0,2 %
1000 10 8 0,43 0,35 0,64 0,61 0,60 0,64 0,58 2822 0,07 %
1000 10 9 0,23 0,13 0,33 0,77 0,74 0,74 0,65 3037 0,03 %
1000 10 10 0,39 0,23 0,32 0,32 0,29 0,29 0,30 5672 0,04 %
1000 20 1 0,57 0,38 0,77 0,88 0,88 0,86 0,92 1045 0,38 %
1000 20 2 0,51 0,41 0,81 1,73 1,73 1,69 1,66 985 0,1 %
1000 20 3 0,68 0,54 0,49 0,60 0,55 0,52 0,59 2044 0,39 %
1000 20 4 0,38 0,29 0,38 0,91 1,05 0,88 0,82 1051 0,19 %
1000 20 5 0,54 0,59 0,36 0,54 0,58 0,50 0,46 1682 0,59 %
1000 20 6 0,55 0,71 0,24 0,66 0,63 0,66 0,69 1274 0,39 %
1000 20 7 0,82 0,47 0,93 1,35 1,47 1,38 1,42 858 0,23 %
1000 20 8 0,00 -0,08 0,40 0,74 0,78 0,84 0,78 1237 0,49 %
1000 20 9 0,35 0,39 0,35 0,40 0,39 0,33 0,38 2582 0,43 %
1000 20 10 0,40 0,24 0,40 0,92 0,84 0,79 0,78 1235 0,08 %
1000 30 1 0,40 0,87 0,40 0,65 0,63 0,60 0,58 1265 0,16 %
1000 30 2 0,55 1,11 0,78 1,35 1,47 1,44 1,40 901 0,33 %

1000 30 3 0,66 1,06 4,39 0,69 0,69 0,69 0,66 752 0,13 %
1000 30 4 0,92 1,17 0,58 0,62 0,67 0,58 0,57 1197 0,58 %
1000 30 5 0,70 0,70 0,50 0,94 1,00 0,96 0,96 1004 0,3 %
1000 30 6 1,11 3,61 0,69 1,22 1,33 1,25 1,28 721 0,14 %
1000 30 7 1,48 0,74 1,19 1,34 1,34 1,25 1,28 674 0,3 %
1000 30 8 1,47 1,47 1,16 0,76 0,84 0,90 0,90 952 0,32 %
1000 30 9 0,94 0,57 1,32 1,70 1,66 1,70 1,66 530 498,17 seg
1000 30 10 1,40 0,64 1,02 0,97 0,92 0,89 0,89 786 0,25 %
1000 40 1 1,18 1,84 1,97 0,92 1,00 0,79 0,92 760 0,26 %
1000 40 2 2,89 1,93 0,84 0,51 0,70 0,60 0,51 830 0,36 %
1000 40 3 2,05 2,61 2,39 0,66 0,75 0,66 0,59 880 896,92 seg
1000 40 4 1,46 3,73 4,38 0,97 0,88 0,91 0,94 616 0,16 %
1000 40 5 2,27 0,30 1,97 0,36 0,42 0,39 0,36 660 3056,44 seg
1000 40 6 4,28 3,74 0,36 1,03 1,07 1,03 1,03 561 0,18 %
1000 40 7 0,47 1,75 1,17 0,56 0,63 0,61 0,58 855 0,47 %
1000 40 8 1,34 1,18 0,84 0,94 0,94 0,87 0,97 595 0,34 %
1000 40 9 4,13 1,59 0,74 0,42 0,44 0,42 0,42 945 0,32 %
1000 40 10 5,17 4,14 3,10 1,14 1,17 1,14 1,07 580 1184,86 seg
1000 50 1 2,98 2,86 0,83 0,74 0,81 0,81 0,83 840 305,42 seg
1000 50 2 5,60 2,99 2,99 0,93 1,16 1,01 1,12 536 0,19 %
1000 50 3 9,92 7,98 5,84 0,97 1,09 0,97 0,86 514 0,19 %
1000 50 4 2,78 2,23 2,23 0,14 0,14 0,14 0,14 719 0,42 %
1000 50 5 5,19 5,97 4,16 1,51 1,40 1,40 1,40 385 3119,19 seg
1000 50 6 5,60 5,60 3,05 1,12 1,12 1,17 1,22 393 172,56 seg
1000 50 7 5,53 5,26 1,32 1,32 1,47 1,26 1,32 380 0,26 %
1000 50 8 3,62 1,70 2,98 0,81 0,98 1,11 0,98 470 3874,78 seg
1000 50 9 4,54 3,55 1,97 0,95 0,95 0,91 0,91 507 0,2 %
1000 50 10 6,14 4,21 2,11 0,84 0,74 0,84 0,70 570 172,34 seg
Tabla A.7 – Tabla completa para máquinas correlacionadas.
ANEXO
B
GRÁFICOS Y TABLAS DE INTERACCIÓN DE LOS
ALGORITMOS INICIALES
En el este anexo vemos dos gráficos por cada intervalo de tiempos de

proceso con la interacción de los resultados obtenidos de la desviación por-
centual con el número de trabajos y el número de máquinas respectivamente.
En estas gráficos solo se representan las medias, y no los intervalos del 95 % de
Tukey HSD, por claridad de las figuras, ya que en muchos casos se produce un
gran solapamiento de las mismos. No obstante, los intervalos de confianza se
adjuntaran en unas tablas donde se reflejan, además, los algoritmos, el número
de instancias evaluadas de cada uno (recordemos que para los algoritmos
propuestos algoritmos se han realizado 5 replicas por cada instancia), la media,
el error standard y los límites inferior y superior del intervalo de confianza del
95 % de cada media.
301
302 ANEXO B. GRÁFICOS Y TABLAS DE INTERACCIÓN
B.1. Interacciones en el intervalo U(1,100)
Interaction Plot
3,9 Trabajos
100
200
2,9
500
1000
RPD
1,9
0,9
-0,1
IGD
Vir
CPLEX
RBS
IGS
Partial
NSP
Figura B.1 – Gráfico de interacción de algoritmos frente nú-

mero de trabajos, para la distribución de pij U(1,100).
Interaction Plot
8 Máquinas
10
20
6
30
40
RPD
4 50
0
IGD
Vir
CPLEX
IGS
Partial
RBS
NSP

mero de máquinas, para la distribución de pij U(1,100).
B.1. Interacciones en el intervalo U(1,100) 303
Algoritmo Trab. Núm. Media Error Stnd. Lim. Inf. Lim. Sup.
CPLEX 100 50 0,000 0,314 -0,610 0,615

CPLEX 200 50 1,743 0,314 1,127 2,358
CPLEX 500 50 2,945 0,314 2,329 3,560
CPLEX 1000 50 2,842 0,314 2,227 3,457
Partial 100 50 3,872 0,314 3,256 4,486
Partial 200 50 2,518 0,314 1,903 3,133
Partial 500 50 2,720 0,314 2,104 3,335
Partial 1000 50 2,418 0,314 1,803 3,033
RBS 100 50 1,846 0,314 1,231 2,461
RBS 200 50 3,252 0,314 2,637 3,867
RBS 500 50 1,630 0,314 1,014 2,245
RBS 1000 50 1,392 0,314 0,776 2,007
IGS 100 250 0,791 0,140 0,516 1,066
IGS 200 250 2,500 0,140 2,225 2,775
IGS 500 250 3,433 0,140 3,157 3,708
IGS 1000 250 3,114 0,140 2,839 3,389
IGD 100 250 1,965 0,140 1,690 2,240
IGD 200 250 3,165 0,140 2,890 3,440
IGD 500 250 3,234 0,140 2,958 3,509
IGD 1000 250 3,019 0,140 2,744 3,294
NSP 100 250 1,219 0,140 0,943 1,494
NSP 200 250 2,932 0,140 2,657 3,207
NSP 500 250 3,840 0,140 3,565 4,115
NSP 1000 250 3,301 0,140 3,025 3,576
Vir 100 250 1,236 0,140 0,961 1,511
Vir 200 250 2,685 0,140 2,410 2,960
Vir 500 250 2,728 0,140 2,453 3,003
Vir 1000 250 2,541 0,140 2,266 2,816
Núm.= número de instancias evaluadas (×5 replicas para nuestros algoritmos), Lim.
Inf. y Sup. del intervalo del 95 %.
Tabla B.1 – Tabla de datos estadísticos agrupados por

trabajos para el intervalo U(1,100).
Algoritmo Máq. Núm. Media Error Stnd. Lim. Inf. Lim. Sup.
CPLEX 10 40 0,170 0,351 -0,510 0,858

CPLEX 20 40 1,091 0,351 0,403 1,778
CPLEX 30 40 1,970 0,351 1,282 2,657
CPLEX 40 40 2,863 0,351 2,175 3,550
CPLEX 50 40 3,319 0,351 2,631 4,006
Partial 10 40 0,393 0,351 -0,290 1,081
Partial 20 40 0,971 0,351 0,283 1,658
Partial 30 40 2,290 0,351 1,602 2,977
Partial 40 40 4,226 0,351 3,538 4,914
Partial 50 40 6,530 0,351 5,842 7,217
RBS 10 40 1,361 0,351 0,673 2,048
RBS 20 40 1,933 0,351 1,245 2,620
RBS 30 40 2,092 0,351 1,404 2,779
RBS 40 40 2,684 0,351 1,996 3,371
RBS 50 40 2,080 0,351 1,393 2,768
IGS 10 200 0,376 0,157 0,068 0,683
IGS 20 200 1,463 0,157 1,155 1,771
IGS 30 200 2,576 0,157 2,268 2,883
IGS 40 200 3,462 0,157 3,154 3,769
IGS 50 200 4,422 0,157 4,114 4,730
IGD 10 200 0,391 0,157 0,083 0,699
IGD 20 200 1,621 0,157 1,314 1,929
IGD 30 200 2,790 0,157 2,482 3,098
IGD 40 200 4,456 0,157 4,148 4,764
IGD 50 200 4,969 0,157 4,662 5,277
NSP 10 200 0,426 0,157 0,118 0,733
NSP 20 200 1,667 0,157 1,359 1,974
NSP 30 200 2,859 0,157 2,551 3,166
NSP 40 200 4,199 0,157 3,891 4,506
NSP 50 200 4,965 0,157 4,657 5,272
Vir 10 200 0,368 0,157 0,060 0,675
Vir 20 200 1,496 0,157 1,188 1,804
Vir 30 200 2,261 0,157 1,953 2,568
Vir 40 200 3,426 0,157 3,118 3,734
Vir 50 200 3,937 0,157 3,629 4,244

máquinas para el intervalo U(1,100).
Interaction Plot
5 Trabajos
100
4 200
500
3 1000
RPD
0
CPLEX
IGD
Vir
IGS
Partial
RBS
NSP

Interaction Plot
4 Máquinas
10
20
3
30
40
RPD
2 50
0
CPLEX
IGD
Vir
Partial
RBS
IGS
NSP

CPLEX 100 50 0,724 0,134 0,462 0,986

CPLEX 200 50 2,848 0,134 2,586 3,110
CPLEX 500 50 1,729 0,134 1,467 1,991
CPLEX 1000 50 1,242 0,134 0,980 1,504
Partial 100 50 0,868 0,134 0,606 1,130
Partial 200 50 1,484 0,134 1,222 1,746
Partial 500 50 1,676 0,134 1,414 1,938
Partial 1000 50 1,228 0,134 0,966 1,490
RBS 100 50 4,050 0,134 3,787 4,311
RBS 200 50 1,791 0,134 1,528 2,052
RBS 500 50 1,030 0,134 0,768 1,292
RBS 1000 50 0,629 0,134 0,367 0,891
IGS 100 250 1,303 0,060 1,186 1,420
IGS 200 250 1,996 0,060 1,879 2,113
IGS 500 250 2,111 0,060 1,993 2,228
IGS 1000 250 1,405 0,060 1,287 1,522
IGD 100 250 2,737 0,060 2,620 2,854
IGD 200 250 2,677 0,060 2,559 2,794
IGD 500 250 2,222 0,060 2,105 2,339
IGD 1000 250 1,450 0,060 1,332 1,567
NSP 100 250 1,734 0,060 1,617 1,851
NSP 200 250 1,548 0,060 1,431 1,665
NSP 500 250 1,732 0,060 1,615 1,850
NSP 1000 250 1,222 0,060 1,105 1,339
Vir 100 250 1,202 0,060 1,084 1,319
Vir 200 250 1,582 0,060 1,464 1,699
Vir 500 250 1,780 0,060 1,663 1,897
Vir 1000 250 1,234 0,060 1,117 1,351

CPLEX 10 40 0,192 0,149 -0,100 0,485

CPLEX 20 40 1,063 0,149 0,770 1,355
CPLEX 30 40 2,071 0,149 1,778 2,364
CPLEX 40 40 2,398 0,149 2,105 2,691
CPLEX 50 40 2,456 0,149 2,163 2,748
Partial 10 40 0,405 0,149 0,111 0,697
Partial 20 40 0,729 0,149 0,435 1,021
Partial 30 40 1,520 0,149 1,227 1,812
Partial 40 40 1,974 0,149 1,681 2,267
Partial 50 40 1,942 0,149 1,649 2,235
RBS 10 40 0,789 0,149 0,496 1,082
RBS 20 40 1,423 0,149 1,129 1,715
RBS 30 40 2,071 0,149 1,778 2,363
RBS 40 40 2,450 0,149 2,157 2,743
RBS 50 40 2,642 0,149 2,349 2,935
IGS 10 200 0,433 0,067 0,302 0,564
IGS 20 200 1,224 0,067 1,092 1,355
IGS 30 200 1,929 0,067 1,798 2,060
IGS 40 200 2,688 0,067 2,556 2,819
IGS 50 200 2,245 0,067 2,113 2,375
IGD 10 200 0,383 0,067 0,251 0,514
IGD 20 200 1,256 0,067 1,125 1,387
IGD 30 200 2,455 0,067 2,324 2,586
IGD 40 200 3,746 0,067 3,614 3,876
IGD 50 200 3,517 0,067 3,386 3,648
NSP 10 200 0,405 0,067 0,274 0,536
NSP 20 200 1,055 0,067 0,923 1,185
NSP 30 200 1,687 0,067 1,555 1,817
NSP 40 200 2,550 0,067 2,419 2,681
NSP 50 200 2,100 0,067 1,969 2,231
Vir 10 200 0,315 0,067 0,184 0,446
Vir 20 200 0,886 0,067 0,754 1,017
Vir 30 200 1,566 0,067 1,435 1,697
Vir 40 200 2,426 0,067 2,295 2,557
Vir 50 200 2,054 0,067 1,923 2,185

Interaction Plot
1,2 Trabajos
100
1 200
0,8 500
1000
RPD
0,6
0,4
0,2
0
CPLEX
IGD
Vir
IGS
Partial
RBS
NSP

Interaction Plot
2 Máquinas
10
1,6 20
30
1,2 40
RPD
50
0,8
0,4
0
IGD
Vir
CPLEX
RBS
IGS
Partial
NSP

CCPLEX 100 50 0,802 0,051 0,702 0,901

CPLEX 200 50 0,839 0,051 0,739 0,939
CPLEX 500 50 0,684 0,051 0,584 0,784
CPLEX 1000 50 0,709 0,051 0,610 0,809
Partial 100 50 1,188 0,051 1,088 1,288
Partial 200 50 1,145 0,051 1,045 1,245
Partial 500 50 1,097 0,051 0,997 1,197
Partial 1000 50 0,754 0,051 0,654 0,854
RBS 100 50 1,189 0,051 1,089 1,289
RBS 200 50 0,899 0,051 0,799 0,998
RBS 500 50 0,621 0,051 0,521 0,721
RBS 1000 50 0,531 0,051 0,431 0,631
IGS 100 250 0,308 0,023 0,264 0,353
IGS 200 250 0,605 0,023 0,560 0,650
IGS 500 250 0,634 0,023 0,590 0,679
IGS 1000 250 0,518 0,023 0,473 0,562
IGD 100 250 0,347 0,023 0,303 0,392
IGD 200 250 0,489 0,023 0,444 0,534
IGD 500 250 0,581 0,023 0,536 0,626
IGD 1000 250 0,523 0,023 0,478 0,567
NSP 100 250 0,295 0,023 0,250 0,340
NSP 200 250 0,288 0,023 0,243 0,332
NSP 500 250 0,439 0,023 0,395 0,484
NSP 1000 250 0,423 0,023 0,379 0,468
Vir 100 250 0,246 0,023 0,202 0,291
Vir 200 250 0,519 0,023 0,474 0,563
Vir 500 250 0,550 0,023 0,506 0,595
Vir 1000 250 0,491 0,023 0,447 0,536

CPLEX 10 40 0,315 0,057 0,203 0,427

CPLEX 20 40 0,684 0,057 0,573 0,796
CPLEX 30 40 1,199 0,057 1,087 1,310
CPLEX 40 40 0,961 0,057 0,850 1,073
CPLEX 50 40 0,633 0,057 0,522 0,745
Partial 10 40 0,264 0,057 0,152 0,376
Partial 20 40 0,655 0,057 0,544 0,767
Partial 30 40 1,983 0,057 1,871 2,094
Partial 40 40 1,705 0,057 1,593 1,817
Partial 50 40 0,623 0,057 0,511 0,734
RBS 10 40 0,747 0,057 0,635 0,859
RBS 20 40 1,042 0,057 0,930 1,154
RBS 30 40 0,538 0,057 0,426 0,650
RBS 40 40 0,723 0,057 0,611 0,835
RBS 50 40 1,000 0,057 0,888 1,112
IGS 10 200 0,280 0,025 0,230 0,330
IGS 20 200 0,595 0,025 0,545 0,645
IGS 30 200 0,440 0,025 0,390 0,490
IGS 40 200 0,633 0,025 0,583 0,683
IGS 50 200 0,633 0,025 0,583 0,683
IGD 10 200 0,217 0,025 0,167 0,267
IGD 20 200 0,499 0,025 0,449 0,549
IGD 30 200 0,383 0,025 0,333 0,433
IGD 40 200 0,629 0,025 0,579 0,679
IGD 50 200 0,698 0,025 0,648 0,748
NSP 10 200 0,186 0,025 0,136 0,236
NSP 20 200 0,450 0,025 0,400 0,500
NSP 30 200 0,257 0,025 0,207 0,307
NSP 40 200 0,457 0,025 0,407 0,507
NSP 50 200 0,457 0,025 0,408 0,507
Vir 10 200 0,191 0,025 0,141 0,241
Vir 20 200 0,523 0,025 0,473 0,573
Vir 30 200 0,304 0,025 0,254 0,354
Vir 40 200 0,567 0,025 0,517 0,617
Vir 50 200 0,673 0,025 0,623 0,723

Interaction Plot
0,5 Trabajos
100
0,4 200
500
0,3 1000
RPD
0,2
0,1
Vir
IGD
CPLEX
RBS
IGS
NSP
Partial

Interaction Plot
0,5 Máquinas
10
0,4 20
30
0,3 40
RPD
50
0,2
0,1
0
CPLEX
Vir
IGD
RBS
IGS
Partial
NSP

CPLEX 100 50 0,098 0,016 0,067 0,129

CPLEX 200 50 0,190 0,016 0,158 0,221
CPLEX 500 50 0,177 0,016 0,146 0,209
CPLEX 1000 50 0,152 0,016 0,121 0,183
Partial 100 50 0,431 0,016 0,400 0,462
Partial 200 50 0,315 0,016 0,284 0,347
Partial 500 50 0,380 0,016 0,348 0,411
Partial 1000 50 0,186 0,016 0,154 0,217
RBS 100 50 0,205 0,016 0,174 0,236
RBS 200 50 0,117 0,016 0,085 0,148
RBS 500 50 0,107 0,016 0,076 0,138
RBS 1000 50 0,076 0,016 0,045 0,108
IGS 100 250 0,125 0,007 0,111 0,139
IGS 200 250 0,094 0,007 0,080 0,108
IGS 500 250 0,097 0,007 0,084 0,111
IGS 1000 250 0,059 0,007 0,045 0,073
IGD 100 250 0,132 0,007 0,118 0,146
IGD 200 250 0,104 0,007 0,090 0,118
IGD 500 250 0,099 0,007 0,085 0,113
IGD 1000 250 0,070 0,007 0,056 0,084
NSP 100 250 0,036 0,007 0,022 0,050
NSP 200 250 0,047 0,007 0,033 0,061
NSP 500 250 0,060 0,007 0,046 0,074
NSP 1000 250 0,042 0,007 0,028 0,056
Vir 100 250 0,086 0,007 0,072 0,100
Vir 200 250 0,082 0,007 0,068 0,096
Vir 500 250 0,086 0,007 0,072 0,100
Vir 1000 250 0,054 0,007 0,040 0,068

CPLEX 10 40 0,118 0,018 0,083 0,153

CPLEX 20 40 0,213 0,018 0,178 0,248
CPLEX 30 40 0,276 0,018 0,241 0,311
CPLEX 40 40 0,095 0,018 0,061 0,130
CPLEX 50 40 0,070 0,018 0,035 0,105
Partial 10 40 0,223 0,018 0,188 0,258
Partial 20 40 0,254 0,018 0,220 0,289
Partial 30 40 0,400 0,018 0,365 0,435
Partial 40 40 0,396 0,018 0,361 0,431
Partial 50 40 0,366 0,018 0,331 0,401
RBS 10 40 0,197 0,018 0,162 0,232
RBS 20 40 0,195 0,018 0,160 0,230
RBS 30 40 0,069 0,018 0,034 0,104
RBS 40 40 0,060 0,018 0,025 0,095
RBS 50 40 0,111 0,018 0,076 0,146
IGS 10 200 0,076 0,008 0,060 0,091
IGS 20 200 0,110 0,008 0,095 0,126
IGS 30 200 0,122 0,008 0,106 0,138
IGS 40 200 0,089 0,008 0,074 0,105
IGS 50 200 0,073 0,008 0,058 0,089
IGD 10 200 0,062 0,008 0,047 0,078
IGD 20 200 0,108 0,008 0,093 0,124
IGD 30 200 0,134 0,008 0,118 0,149
IGD 40 200 0,116 0,008 0,100 0,131
IGD 50 200 0,086 0,008 0,071 0,102
NSP 10 200 0,042 0,008 0,026 0,057
NSP 20 200 0,066 0,008 0,050 0,081
NSP 30 200 0,062 0,008 0,046 0,077
NSP 40 200 0,033 0,008 0,018 0,049
NSP 50 200 0,030 0,008 0,015 0,046
Vir 10 200 0,052 0,008 0,036 0,067
Vir 20 200 0,101 0,008 0,085 0,116
Vir 30 200 0,093 0,008 0,077 0,109
Vir 40 200 0,059 0,008 0,043 0,074
Vir 50 200 0,082 0,008 0,067 0,098

Interaction Plot
0,5 Trabajos
100
0,4 200
500
0,3 1000
RPD
0,2
0,1
0
CPLEX
Vir
IGD
RBS
IGS
NSP
Partial

Interaction Plot
0,59 Máquinas
10
0,49 20
0,39 30
40
RPD
0,29 50
0,19
0,09
-0,01
Vir
IGD
RBS
IGS
NSP
Partial
CPLEX
Figura B.10 – Gráfico de interacción de algoritmos frente

número de máquinas, para la distribución de pij U(1000,1100).
CPLEX 100 50 0,083 0,011 0,062 0,104

CPLEX 200 50 0,078 0,011 0,057 0,099
CPLEX 500 50 0,057 0,011 0,036 0,078
CPLEX 1000 50 0,085 0,011 0,064 0,105
Partial 100 50 0,165 0,011 0,144 0,185
Partial 200 50 0,212 0,011 0,191 0,233
Partial 500 50 0,459 0,011 0,438 0,480
Partial 1000 50 0,071 0,011 0,050 0,092
RBS 100 50 0,332 0,011 0,311 0,353
RBS 200 50 0,218 0,011 0,197 0,239
RBS 500 50 0,094 0,011 0,073 0,115
RBS 1000 50 0,089 0,011 0,068 0,110
IGS 100 250 0,027 0,005 0,018 0,036
IGS 200 250 0,032 0,005 0,022 0,041
IGS 500 250 0,046 0,005 0,036 0,055
IGS 1000 250 0,046 0,005 0,037 0,056
IGD 100 250 0,025 0,005 0,016 0,034
IGD 200 250 0,022 0,005 0,013 0,031
IGD 500 250 0,042 0,005 0,033 0,051
IGD 1000 250 0,048 0,005 0,038 0,057
NSP 100 250 0,024 0,005 0,014 0,033
NSP 200 250 0,001 0,005 -0,008 0,010
NSP 500 250 0,026 0,005 0,017 0,035
NSP 1000 250 0,039 0,005 0,030 0,049
Vir 100 250 0,013 0,005 0,004 0,022
Vir 200 250 0,022 0,005 0,013 0,032
Vir 500 250 0,038 0,005 0,028 0,047
Vir 1000 250 0,045 0,005 0,035 0,054

CPLEX 10 40 0,060 0,012 0,037 0,084

CPLEX 20 40 0,081 0,012 0,058 0,104
CPLEX 30 40 0,096 0,012 0,073 0,120
CPLEX 40 40 0,084 0,012 0,061 0,107
CPLEX 50 40 0,057 0,012 0,033 0,080
Partial 10 40 0,054 0,012 0,031 0,077
Partial 20 40 0,064 0,012 0,041 0,087
Partial 30 40 0,523 0,012 0,500 0,546
Partial 40 40 0,425 0,012 0,401 0,448
Partial 50 40 0,067 0,012 0,044 0,090
RBS 10 40 0,108 0,012 0,085 0,132
RBS 20 40 0,130 0,012 0,107 0,153
RBS 30 40 0,076 0,012 0,053 0,099
RBS 40 40 0,188 0,012 0,165 0,211
RBS 50 40 0,413 0,012 0,390 0,436
IGS 10 200 0,034 0,005 0,024 0,045
IGS 20 200 0,050 0,005 0,039 0,060
IGS 30 200 0,014 0,005 0,003 0,024
IGS 40 200 0,045 0,005 0,034 0,055
IGS 50 200 0,046 0,005 0,036 0,057
IGD 10 200 0,028 0,005 0,018 0,039
IGD 20 200 0,040 0,005 0,029 0,050
IGD 30 200 0,004 0,005 -0,006 0,014
IGD 40 200 0,049 0,005 0,039 0,060
IGD 50 200 0,049 0,005 0,039 0,059
NSP 10 200 0,023 0,005 0,012 0,033
NSP 20 200 0,034 0,005 0,024 0,045
NSP 30 200 -0,007 0,005 -0,017 0,003
NSP 40 200 0,029 0,005 0,019 0,040
NSP 50 200 0,033 0,005 0,022 0,043
Vir 10 200 0,024 0,005 0,013 0,034
Vir 20 200 0,042 0,005 0,031 0,052
Vir 30 200 -0,002 0,005 -0,012 0,008
Vir 40 200 0,035 0,005 0,024 0,045
Vir 50 200 0,049 0,005 0,039 0,060

B.6. Interacciones en el intervalo de trabajos correlacionados 317
B.6. Interacciones en el intervalo de trabajos correla-

cionados
Interaction Plot
4,9 Trabajos
100
3,9 200
500
2,9 1000
RPD
1,9
0,9
-0,1
Vir
IGD
CPLEX
RBS
IGS
NSP
Partial

número de trabajos, para tiempos de pij de trab. correlacionados.
Interaction Plot
10 Máquinas
10
8 20
30
6 40
RPD
50
4
0
Vir
IGD
Partial
RBS
IGS
NSP
CPLEX

mero de máquinas, para tiempos de pij de trab. correlacionados.
CPLEX 100 50 1,921 0,128 1,670 2,172

CPLEX 200 50 2,568 0,128 2,316 8,000
CPLEX 500 50 2,387 0,128 2,135 2,638
CPLEX 1000 50 1,914 0,128 1,663 8,000
Partial 100 50 4,497 0,128 4,246 4,748
Partial 200 50 2,505 0,128 2,254 2,756
Partial 500 50 1,437 0,128 1,186 1,688
Partial 1000 50 1,291 0,128 1,040 1,542
RBS 100 50 1,357 0,128 1,105 1,608
RBS 200 50 0,119 0,128 -0,131 0,371
RBS 500 50 -0,030 0,128 -0,281 0,221
RBS 1000 50 -0,053 0,128 -0,303 0,199
IGS 100 250 2,594 0,057 2,482 2,707
IGS 200 250 1,201 0,057 1,089 1,313
IGS 500 250 0,370 0,057 0,258 0,482
IGS 1000 250 0,171 0,057 0,058 0,283
IGD 100 250 4,366 0,057 4,254 4,478
IGD 200 250 1,566 0,057 1,454 1,679
IGD 500 250 0,409 0,057 0,296 0,521
IGD 1000 250 0,172 0,057 0,060 0,284
NSP 100 250 1,507 0,057 1,395 3,000
NSP 200 250 0,401 0,057 0,288 0,513
NSP 500 250 0,162 0,057 0,050 0,274
NSP 1000 250 0,109 0,057 -0,003 0,221
Vir 100 250 1,576 0,057 1,464 1,688
Vir 200 250 0,816 0,057 0,704 0,929
Vir 500 250 0,290 0,057 0,178 0,403
Vir 1000 250 0,148 0,057 0,035 0,260

trabajos para trabajos correlacionados
B.6. Interacciones en el intervalo de trabajos correlacionados 319
CPLEX 10 40 0,298 0,143 0,017 0,578

CPLEX 20 40 1,053 0,143 0,772 1,334
CPLEX 30 40 2,227 0,143 1,946 2,508
CPLEX 40 40 3,021 0,143 2,741 3,302
CPLEX 50 40 4,387 0,143 4,107 7,000
Partial 10 40 0,260 0,143 -0,020 0,541
Partial 20 40 1,153 0,143 0,872 1,434
Partial 30 40 2,410 0,143 2,129 2,691
Partial 40 40 3,556 0,143 3,275 3,836
Partial 50 40 4,784 0,143 4,503 5,065
RBS 10 40 0,338 0,143 0,057 0,618
RBS 20 40 0,502 0,143 0,221 0,783
RBS 30 40 0,402 0,143 0,121 0,682
RBS 40 40 0,204 0,143 -0,077 0,485
RBS 50 40 0,297 0,143 0,016 0,578
IGS 10 200 0,409 0,064 0,283 0,535
IGS 20 200 0,642 0,064 0,516 0,768
IGS 30 200 0,935 0,064 0,810 1,061
IGS 40 200 1,460 0,064 1,334 1,586
IGS 50 200 1,974 0,064 1,848 2,100
IGD 10 200 0,434 0,064 0,308 0,559
IGD 20 200 0,741 0,064 0,615 0,866
IGD 30 200 1,217 0,064 1,091 1,342
IGD 40 200 2,387 0,064 2,262 2,513
IGD 50 200 3,363 0,064 3,237 3,488
NSP 10 200 0,313 0,064 0,188 0,439
NSP 20 200 0,390 0,064 0,264 0,516
NSP 30 200 0,382 0,064 0,257 0,508
NSP 40 200 0,527 0,064 0,401 0,652
NSP 50 200 1,111 0,064 0,985 1,236
Vir 10 200 0,327 0,064 0,202 0,453
Vir 20 200 0,530 0,064 0,404 0,656
Vir 30 200 0,640 0,064 0,514 0,766
Vir 40 200 0,790 0,064 0,664 0,915
Vir 50 200 1,251 0,064 1,126 1,377

máquinas para trabajos correlacionados
B.7. Interacciones en el intervalo de máquinas corre-

lacionadas
Interaction Plot
4 Trabajos
100
200
3
500
1000
RPD
0
Vir
IGD
RBS
IGS
CPLEX
NSP
Partial

número de trabajos, para tiempos de pij de máq. correlacionadas.
Interaction Plot
4 Máquinas
10
20
3
30
40
RPD
2 50
0
Vir
IGD
RBS
IGS
CPLEX
NSP
Partial

mero de máquinas, para tiempos de pij de máq. correlacionadas.
B.7. Interacciones en el intervalo de máquinas correlacionadas 321
CPLEX 100 50 0,097 0,088 -0,074 0,268

CPLEX 200 50 1,224 0,088 1,053 1,396
CPLEX 500 50 1,325 0,088 1,153 1,497
CPLEX 1000 50 1,885 0,088 1,713 2,057
Partial 100 50 0,051 0,088 -0,120 0,223
Partial 200 50 0,741 0,088 0,570 0,913
Partial 500 50 1,321 0,088 1,149 1,492
Partial 1000 50 1,661 0,088 1,489 1,833
RBS 100 50 3,682 0,088 3,510 3,853
RBS 200 50 2,710 0,088 2,538 2,882
RBS 500 50 1,747 0,088 1,575 1,918
RBS 1000 50 1,315 0,088 1,143 1,486
IGS 100 250 0,384 0,039 0,308 0,461
IGS 200 250 0,647 0,039 0,570 0,724
IGS 500 250 0,773 0,039 0,696 0,850
IGS 1000 250 0,844 0,039 0,767 0,921
IGD 100 250 0,431 0,039 0,354 0,507
IGD 200 250 0,615 0,039 0,538 0,692
IGD 500 250 0,779 0,039 0,702 0,856
IGD 1000 250 0,870 0,039 0,793 0,947
NSP 100 250 0,354 0,039 0,277 0,431
NSP 200 250 0,456 0,039 0,380 0,533
NSP 500 250 0,711 0,039 0,634 0,788
NSP 1000 250 0,835 0,039 0,759 0,912
Vir 100 250 0,267 0,039 0,190 0,344
Vir 200 250 0,508 0,039 0,432 0,585
Vir 500 250 0,709 0,039 0,632 0,786
Vir 1000 250 0,829 0,039 0,752 0,906

trabajos para máquinas correlacionadas
CPLEX 10 40 0,249 0,098 0,057 0,441

CPLEX 20 40 0,582 0,098 0,391 0,774
CPLEX 30 40 0,833 0,098 0,642 1,025
CPLEX 40 40 1,474 0,098 1,282 1,666
CPLEX 50 40 2,525 0,098 2,333 2,717
Partial 10 40 0,207 0,098 0,015 0,399
Partial 20 40 0,387 0,098 0,195 0,579
Partial 30 40 0,900 0,098 0,708 1,092
Partial 40 40 1,274 0,098 1,082 1,466
Partial 50 40 1,949 0,098 1,758 2,141
RBS 10 40 1,048 0,098 0,856 1,240
RBS 20 40 1,690 0,098 1,498 1,882
RBS 30 40 2,015 0,098 1,823 2,207
RBS 40 40 3,214 0,098 3,023 3,406
RBS 50 40 3,848 0,098 3,656 4,040
IGS 10 200 0,521 0,044 0,435 0,607
IGS 20 200 0,628 0,044 0,543 0,714
IGS 30 200 0,755 0,044 0,669 0,841
IGS 40 200 0,600 0,044 0,515 0,686
IGS 50 200 0,805 0,044 0,719 0,891
IGD 10 200 0,501 0,044 0,415 0,587
IGD 20 200 0,625 0,044 0,540 0,711
IGD 30 200 0,787 0,044 0,701 0,873
IGD 40 200 0,631 0,044 0,546 0,717
IGD 50 200 0,824 0,044 0,738 0,910
NSP 10 200 0,460 0,044 0,374 0,546
NSP 20 200 0,538 0,044 0,452 0,624
NSP 30 200 0,654 0,044 0,568 0,740
NSP 40 200 0,539 0,044 0,453 0,625
NSP 50 200 0,755 0,044 0,669 0,840
Vir 10 200 0,433 0,044 0,347 0,519
Vir 20 200 0,558 0,044 0,473 0,644
Vir 30 200 0,653 0,044 0,567 0,739
Vir 40 200 0,524 0,044 0,438 0,610
Vir 50 200 0,723 0,044 0,637 0,809

máquinas para máquinas correlacionadas
ANEXO
C
RESULTADO DE CALIBRACIÓN DE LOS
ALGORITMOS
En este anexo veremos como se han calibrado los distintos algoritmos.

Se realizaron más pruebas de las mostradas, pero se han mostrado las más
importantes. Para todas las pruebas se han efectuado 5 réplicas.
Se ha seguido la notación k + l, donde k representa el número de trabajos que
se modifican de la máquina con el Cmáx , usándose la palabra “all” para indicar
que se modifican todos los trabajos de esa máquina y l representa el número
de trabajos que se modifican del resto de máquinas seleccionadas al azar.
C.1. Calibración de IGS

En la calibración de este algoritmo se ha tratado de destruir desde la
totalidad de los trabajos asignados a la máquina con el Cmáx , hasta solo 5. Así
mismo, se hizo variar el número de trabajos a destruir del resto de máquinas
seleccionadas al azar, desde 50 trabajos hasta 5. Con ello se trató de ver el
323
324 ANEXO C. CALIBRACIÓN DE LOS ALGORITMOS
comportamiento del algoritmo ante la variación de destrucciones y delimitar

una buena calibración para su funcionamiento.
trabajos all+10 all+20 all+30 all+50

100 1,15 0,94 1,04 1,22
200 3,22 2,99 2,99 3,89
500 3,68 3,57 3,81 4,37
1000 3,10 3,06 3,23 3,45
media 2,79 2,64 2,77 3,24
Tabla C.1 – Calibración del algoritmo IGS: primera parte.
trabajos 5+5 10+10 20+20 30+30 5+20 10+20 10+30

100 1,12 0,97 0,77 0,71 0,70 0,77 0,71
200 3,16 2,56 2,44 2,77 2,77 2,55 2,77
500 3,62 3,44 3,47 3,71 3,53 3,46 3,71
1000 3,24 3,00 3,05 3,18 3,11 3,08 3,18
media 2,78 2,49 2,43 2,59 2,53 2,46 2,59
Tabla C.2 – Calibración del algoritmo IGS: segunda parte.
Como resultado de estas pruebas se determinó que una destrucción de

20 trabajos de la máquina del Cmáx y 20 trabajos del resto de las máquinas,
escogidas al azar, proporcionaba los mejores resultados.
C.2. Calibración de IGD

En la calibración de este algoritmo solo tiene significado el componente k
de la notación de la calibración, ya que siempre se destruye un trabajo de la
C.3. Calibración de NSP 325
máquina que, después de la destrucción de cada trabajo, detenta el Cmáx , tal y

como se explico en la sección 3.2.2.
trabajos 10+0 20+0 30+0 40+0

100 2,73 2,12 2,16 2,39
200 4,60 3,77 3,55 3,95
500 3,28 3,19 3,38 3,57
1000 2,99 3,00 3,11 3,08
media 3,40 3,02 3,05 3,24
Tabla C.3 – Calibración del algoritmo IGD.
Con los resultados de esta tabla, se determinó que una buena elección seria
la destrucción de un total de 20 trabajos.
C.3. Calibración de NSP

En la presente calibración se fue aumentando el número de trabajos se-
leccionados, tanto de la máquina con el Cmáx , como del resto de máquinas
escogidas al azar, para, finalmente hacer combinaciones de ambas.
trabajos 1+1 2+2 3+3 5+5 10+10 20+20 2+5 5+2 0+2 2+0
100 1,44 1,17 1,18 0,82 1,32 1,54 1,24 0,92 1,89 9,15
200 2,84 2,68 3,21 3,91 4,29 5,18 4,05 3,48 3,57 9,46
500 3,84 4,25 4,40 4,83 5,13 5,42 4,53 4,34 4,32 4,03
1000 3,24 3,44 3,39 3,71 3,70 3,95 3,54 3,47 3,41 3,14
media 2,84 2,89 3,05 3,32 3,61 4,02 3,34 3,05 3,30 6,45
Tabla C.4 – Calibración del algoritmo NSP.

326 ANEXO C. CALIBRACIÓN DE LOS ALGORITMOS
De los resultados de la tabla se desprende que la opción de seleccionar 1

solo trabajo de la máquina que detenta el Cmáx y 1 trabajo del resto de las
máquinas, es la que mejores resultados proporciona. Nótese que en esta mejor
opción, se seleccionan en total 2 trabajos (1+1), pero que si se seleccionan 2
trabajos solo de la máquina del Cmáx (2+0), o solo de máquinas al azar (0+2),
el resultado es mucho peor.
C.4. Calibración de Virtual

En esta calibración se procedió a ir aumentando a la par el número de
trabajos seleccionados para modificar, tanto de la máquina con el Cmáx como
del resto de máquinas. También se realizaron combinaciones de seleccionar un
número distinto de trabajos a modificar.
trabajos 1+1 0+2 2+2 3+3 5+5 7+7 0+10 5+10 10+5 10+10
100 3,14 2,61 2,35 1,68 1,38 1,27 1,47 1,22 1,59 1,35
200 3,31 4,96 3,18 2,86 2,54 2,70 3,23 2,78 2,87 2,77
500 2,93 3,67 2,73 2,71 2,71 2,74 3,12 2,86 2,70 2,82
1000 2,80 3,01 2,60 2,63 2,53 2,51 2,72 2,62 2,54 2,59
media 3,05 3,56 2,72 2,47 2,29 2,30 2,64 2,37 2,42 2,38
Tabla C.5 – Calibración del algoritmo Vir: Primera parte.

C.4. Calibración de Virtual 327
trabajos 5+20 20+5 0+25 10+20 30+30 5+50 50+5 0+55 all+5 all+20
100 1,21 1,74 1,19 1,15 1,26 1,47 1,15 1,68 1,48 1,34
200 3,08 2,98 3,47 3,07 3,51 4,31 3,07 4,32 2,99 3,16
500 3,06 2,72 3,37 3,00 3,38 4,00 3,00 3,99 2,89 3,20
1000 2,78 2,54 2,81 2,79 2,89 3,05 2,79 3,15 2,56 2,78
media 2,53 2,50 2,71 2,50 2,76 3,21 2,50 3,28 2,48 2,62
Tabla C.6 – Calibración del algoritmo Vir: Segunda parte.
Tras las pruebas realizadas, se decidió que un número de trabajos a mo-

dificar de 5 dentro de la máquina que detenta el Cmáx y 5 del resto de las
máquinas, escogidas al azar, era la mejor opción.
ANEXO
D
TABLAS Y ANOVAS DE LOS ALGORITMOS DE
REDUCCIÓN DE TAMAÑO
En el presente anexo mostramos las tablas de desviaciones porcentuales

medias respecto a la referencia a la referencia obtenida por CPLEX 11.0 y
hasta 2 horas con cada instancia, para los algoritmos de reducción de tamaño.
Se desglosan por intervalos y, dentro de ellos, por cada uno de los tiempos
de parada sujetos a estudio, a saber, 15, 30, 60, 120, 240 y 300 segundos.
Posteriormente se presentaran los ANOVAS correspondientes a estas tablas.
Para el caso de los ANOVAS del intervalo máquinas correlacionadas, dada la
enorme diferencia del algoritmo 3J con respecto al resto, se ha suprimido este,
así como el algoritmo 3J2M, para una mayor claridad de las diferencias.
329
330 ANEXO D. TABLAS Y ANOVAS REDUCCIÓN DE TAMAÑO
D.1. Tablas de algoritmos de reducción de tamaño
n m CPLEX DIG 3J 3J2M 3JD 2JDi 2JDi(90) M-CPLEX M-DIG M-2JDi(90)

100 10 0,00 0,18 0,27 0,20 0,10 0,00 0,10 0,00 0,18 0,09
20 0,00 0,62 0,34 0,00 0,62 0,00 0,34 0,00 0,34 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,16 1,05 0,76 0,14 0,00 0,09 0,00 0,11 0,02
200 10 0,05 0,20 0,29 0,35 0,15 0,15 0,15 0,10 0,20 0,15
20 0,69 0,69 1,06 0,86 0,87 0,53 0,69 0,68 0,69 1,23
30 0,69 1,44 0,36 1,07 0,00 0,34 0,68 0,73 1,07 1,06
40 1,14 2,45 1,14 1,14 1,18 0,59 1,18 0,59 1,73 0,59
50 0,83 2,44 1,67 0,83 1,60 0,83 0,77 0,00 2,44 1,60
Media 200 0,68 1,44 0,90 0,85 0,76 0,49 0,69 0,42 1,23 0,93
500 10 0,14 0,39 0,14 0,25 0,13 0,12 0,08 0,23 0,35 0,08
20 0,81 1,11 0,52 0,59 0,59 0,66 0,37 0,67 1,04 0,45
30 1,54 1,69 0,92 1,22 0,92 0,62 0,77 1,56 1,38 0,62
40 1,30 1,30 0,78 1,30 0,26 1,05 0,79 1,05 1,05 0,28
50 2,64 2,25 1,50 1,88 1,50 1,13 1,50 2,25 1,88 1,88
Media 500 1,29 1,35 0,77 1,05 0,68 0,72 0,70 1,15 1,14 0,66
1000 10 0,08 0,27 0,07 0,09 0,03 0,03 0,03 0,10 0,26 0,03
20 0,34 0,83 0,19 0,30 0,08 0,07 0,15 0,71 0,64 0,11
30 1,42 1,57 0,48 0,56 0,39 0,40 0,39 1,02 1,42 0,40
40 2,67 1,87 0,54 1,33 0,54 0,41 0,41 2,14 1,74 0,54
50 1,97 2,15 0,98 1,18 0,80 0,80 0,80 1,38 1,76 0,98
Media 1000 1,30 1,34 0,45 0,69 0,37 0,34 0,36 1,07 1,16 0,41
Media general 0,82 1,07 0,79 0,84 0,49 0,39 0,46 0,66 0,91 0,50
Tabla D.1 – Tabla porcentual de la media de las diferencias

respecto a la referencia para el intervalo U(1,100) de los
tiempo de parada.
D.1. Tablas de algoritmos de reducción de tamaño 331

100 10 0,00 0,10 0,19 0,10 0,10 0,00 0,10 0,00 0,10 0,09
20 0,00 0,34 0,34 0,00 0,62 0,00 0,34 0,00 0,34 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,09 1,03 0,74 0,14 0,00 0,09 0,00 0,09 0,02
200 10 0,05 0,20 0,25 0,20 0,10 0,10 0,10 0,10 0,20 0,15
20 0,34 0,51 0,69 0,51 0,70 0,53 0,53 0,68 0,51 1,06
30 0,36 1,07 0,36 0,34 0,00 0,34 0,68 0,37 1,07 0,00
40 0,00 2,45 1,14 1,14 0,59 0,59 0,59 0,00 1,73 0,00
50 0,00 2,44 1,67 0,83 1,60 0,00 0,00 0,00 2,44 0,00
Media 200 0,15 1,33 0,82 0,61 0,60 0,31 0,38 0,23 1,19 0,24
500 10 0,14 0,33 0,12 0,10 0,11 0,10 0,06 0,14 0,29 0,04
20 0,66 0,96 0,37 0,45 0,45 0,59 0,37 0,59 0,81 0,45
30 1,23 1,38 0,77 0,92 0,62 0,47 0,63 0,93 1,38 0,62
40 0,79 1,05 0,53 1,05 0,01 0,03 0,52 0,53 1,05 -0,51
50 1,88 1,88 1,50 1,52 1,14 1,13 1,13 1,50 1,88 0,77
Media 500 0,94 1,12 0,66 0,81 0,46 0,46 0,54 0,74 1,08 0,27
1000 10 0,05 0,26 0,04 0,09 0,02 0,03 0,03 0,08 0,25 0,01
20 0,15 0,64 0,04 0,11 0,04 0,04 0,15 0,30 0,49 0,07
30 1,34 1,49 0,48 0,40 0,39 0,40 0,39 0,63 1,26 0,32
40 2,41 1,74 0,54 1,33 0,41 0,41 0,41 1,35 1,74 0,27
50 1,78 1,76 0,80 1,18 0,60 0,39 0,41 0,99 1,76 0,40
Media 1000 1,15 1,18 0,38 0,62 0,29 0,25 0,28 0,67 1,10 0,22
Media general 0,56 0,93 0,72 0,70 0,37 0,26 0,32 0,41 0,86 0,19

tiempo de parada.

100 10 0,00 0,10 0,19 0,10 0,10 0,00 0,10 0,00 0,10 0,09
20 0,00 0,00 0,34 0,00 0,62 0,00 0,00 0,00 0,00 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 1,03 0,74 0,14 0,00 0,02 0,00 0,02 0,02
200 10 0,05 0,20 0,15 0,15 0,05 0,10 0,05 0,10 0,20 0,05
20 0,17 0,51 0,51 0,51 0,70 0,53 0,35 0,51 0,51 0,51
30 0,00 1,07 0,36 0,34 0,00 0,34 0,68 0,37 0,72 0,00
40 0,00 2,45 1,14 1,14 0,59 0,59 0,59 0,00 1,73 0,00
50 0,00 1,60 1,67 0,83 1,60 0,00 0,00 0,00 0,77 0,00
Media 200 0,04 1,17 0,76 0,60 0,59 0,31 0,33 0,20 0,78 0,11
500 10 0,08 0,29 0,08 0,10 0,04 0,10 0,02 0,10 0,25 0,02
20 0,44 0,96 0,37 0,22 0,45 0,51 0,30 0,37 0,81 0,30
30 0,92 1,38 0,62 0,92 0,62 0,32 0,48 0,78 1,23 0,31
40 0,28 0,79 -0,25 0,52 0,01 0,03 0,27 0,53 0,79 -0,51
50 1,88 1,88 0,77 1,14 0,77 0,40 0,40 1,14 1,88 0,38
Media 500 0,72 1,06 0,32 0,58 0,38 0,27 0,29 0,59 0,99 0,10
1000 10 0,03 0,24 0,04 0,07 0,01 0,03 0,02 0,06 0,23 0,01
20 0,04 0,49 0,00 0,08 0,04 0,04 0,04 0,15 0,42 -0,07
30 0,64 1,25 0,40 0,32 0,32 0,40 0,39 0,48 1,10 0,16
40 0,94 1,74 0,54 1,33 0,41 0,41 0,41 0,54 1,74 0,27
50 1,19 1,76 0,40 0,79 0,21 -0,19 0,20 0,80 1,57 0,01
Media 1000 0,57 1,10 0,28 0,52 0,20 0,14 0,21 0,40 1,01 0,07
Media general 0,33 0,83 0,60 0,61 0,33 0,18 0,21 0,30 0,70 0,08

tiempo de parada.

100 10 0,00 0,10 0,19 0,10 0,10 0,00 0,00 0,00 0,10 0,00
20 0,00 0,00 0,34 0,00 0,62 0,00 0,00 0,00 0,00 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 1,03 0,74 0,14 0,00 0,00 0,00 0,02 0,00
200 10 0,05 0,15 0,15 0,15 0,05 0,10 0,00 0,05 0,15 0,00
20 0,17 0,51 0,51 0,51 0,70 0,53 0,17 0,34 0,51 0,17
30 0,00 0,72 0,36 0,34 0,00 0,34 0,00 0,00 0,37 0,00
40 0,00 2,45 1,14 1,14 0,59 0,59 0,00 0,00 1,73 0,00
50 0,00 1,60 1,67 0,83 1,60 0,00 0,00 0,00 0,77 0,00
Media 200 0,04 1,08 0,76 0,60 0,59 0,31 0,03 0,08 0,71 0,03
500 10 0,06 0,27 0,06 0,10 0,00 0,08 0,00 0,08 0,23 -0,02
20 0,37 0,52 0,37 0,22 0,45 0,44 0,30 0,22 0,52 0,22
30 0,77 1,38 0,62 0,77 0,47 0,32 0,48 0,47 1,23 0,16
40 -0,76 0,79 -0,76 0,01 0,01 0,03 -0,51 0,53 0,79 -0,76
50 0,77 1,51 0,40 0,03 0,77 0,03 0,03 1,14 1,51 -0,36
Media 500 0,24 0,89 0,14 0,23 0,34 0,18 0,06 0,49 0,86 -0,15
1000 10 0,01 0,21 0,03 0,05 0,00 0,02 0,02 0,05 0,19 0,01
20 -0,04 0,37 0,00 0,04 -0,04 0,04 0,00 0,08 0,34 -0,07
30 0,40 1,10 0,17 0,32 0,32 0,32 0,24 0,40 1,10 0,16
40 0,67 1,74 0,27 0,93 0,41 0,41 0,41 0,54 1,74 0,27
50 1,00 1,57 -0,19 0,59 0,21 -0,19 0,01 0,80 1,17 -0,19
Media 1000 0,41 1,00 0,06 0,39 0,18 0,12 0,13 0,37 0,91 0,04
Media general 0,17 0,75 0,50 0,49 0,31 0,15 0,06 0,23 0,62 -0,02

algoritmos de reducción de tamaño para 120 segundos
como tiempo de parada.

100 10 0,00 0,10 0,19 0,10 0,10 0,00 0,00 0,00 0,10 0,00
20 0,00 0,00 0,34 0,00 0,62 0,00 0,00 0,00 0,00 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 1,03 0,74 0,14 0,00 0,00 0,00 0,02 0,00
200 10 0,05 0,15 0,15 0,15 0,05 0,00 0,00 0,05 0,15 0,00
20 0,17 0,51 0,51 0,51 0,51 0,53 0,00 0,34 0,51 0,00
30 0,00 0,72 0,36 0,34 0,00 0,34 0,00 0,00 0,37 0,00
40 0,00 2,45 1,14 1,14 0,59 0,00 0,00 0,00 1,73 0,00
50 0,00 0,77 1,67 0,83 1,60 0,00 0,00 0,00 0,77 0,00
Media 200 0,04 0,92 0,76 0,60 0,55 0,17 0,00 0,08 0,71 0,00
500 10 0,02 0,21 0,04 0,08 0,00 0,02 -0,02 0,04 0,16 -0,02
20 0,30 0,52 0,30 0,22 0,37 0,30 0,30 0,22 0,52 0,22
30 0,63 1,08 0,32 0,32 0,32 0,32 0,17 0,47 0,92 0,16
40 -0,76 0,79 -0,76 -0,51 -0,25 0,03 -0,76 0,28 0,79 -0,76
50 0,40 1,13 -0,36 0,03 0,77 0,03 -0,36 0,75 1,13 -0,36
Media 500 0,12 0,74 -0,09 0,03 0,24 0,14 -0,13 0,35 0,70 -0,15
1000 10 0,00 0,21 0,02 0,04 0,00 0,01 0,01 0,04 0,19 0,01
20 -0,04 0,34 0,00 0,00 -0,04 -0,04 0,00 0,04 0,34 -0,07
30 0,40 0,86 0,01 0,08 0,32 0,24 0,24 0,24 0,86 0,16
40 0,14 1,60 0,14 0,53 0,41 0,41 0,27 0,27 1,60 0,27
50 0,40 1,17 -0,19 0,39 -0,18 -0,19 -0,19 0,40 1,17 -0,19
Media 1000 0,18 0,84 0,00 0,21 0,10 0,09 0,07 0,20 0,83 0,04
Media general 0,08 0,63 0,42 0,39 0,26 0,10 -0,02 0,16 0,57 -0,03


100 10 0,00 0,10 0,19 0,10 0,10 0,00 0,00 0,00 0,10 0,00
20 0,00 0,00 0,34 0,00 0,62 0,00 0,00 0,00 0,00 0,00
30 0,00 0,00 0,63 0,63 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 2,74 1,74 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 1,25 1,25 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 1,03 0,74 0,14 0,00 0,00 0,00 0,02 0,00
200 10 0,05 0,15 0,15 0,10 0,05 0,00 0,00 0,05 0,15 0,00
20 0,17 0,51 0,51 0,51 0,51 0,53 0,00 0,17 0,51 0,00
30 0,00 0,72 0,36 0,34 0,00 0,00 0,00 0,00 0,37 0,00
40 0,00 2,45 1,14 1,14 0,59 0,00 0,00 0,00 1,73 0,00
50 0,00 0,77 1,67 0,83 1,60 0,00 0,00 0,00 0,77 0,00
Media 200 0,04 0,92 0,76 0,59 0,55 0,11 0,00 0,04 0,71 0,00
500 10 -0,02 0,21 0,04 0,08 0,00 0,02 -0,02 0,02 0,16 -0,02
20 0,30 0,52 0,22 0,22 0,30 0,23 0,30 0,15 0,52 0,22
30 0,47 1,08 0,32 0,32 0,32 0,32 0,17 0,31 0,92 0,16
40 -0,76 0,79 -0,76 -0,51 -0,50 0,03 -0,76 0,03 0,79 -0,76
50 0,40 1,13 -0,36 0,03 0,77 0,03 -0,36 0,38 1,13 -0,36
Media 500 0,08 0,74 -0,11 0,03 0,18 0,13 -0,13 0,18 0,70 -0,15
1000 10 0,00 0,19 0,02 0,04 0,00 0,01 0,01 0,02 0,18 0,01
20 -0,04 0,34 -0,04 0,00 -0,04 -0,04 -0,04 -0,04 0,34 -0,07
30 0,32 0,86 0,01 0,08 0,32 0,24 0,24 0,08 0,86 0,16
40 0,14 1,60 0,00 0,53 0,41 0,41 0,00 0,14 1,46 0,27
50 0,20 1,17 -0,19 0,19 -0,18 -0,19 -0,19 0,20 1,17 -0,19
Media 1000 0,12 0,83 -0,04 0,17 0,10 0,09 0,00 0,08 0,80 0,04
Media general 0,06 0,63 0,41 0,38 0,24 0,08 -0,03 0,08 0,56 -0,03


100 10 0,06 0,29 0,22 0,11 0,11 0,28 0,17 0,17 0,17 0,11
20 0,26 0,51 0,26 0,39 0,39 0,25 0,27 0,13 0,25 0,13
30 -0,20 0,43 0,43 0,43 -0,21 0,00 -0,20 -0,43 0,22 -0,43
40 0,00 0,88 1,47 0,88 0,00 0,00 0,00 0,00 0,59 0,29
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,02 0,42 1,12 0,36 0,06 0,11 0,05 -0,02 0,25 0,02
200 10 0,14 0,19 0,14 0,19 0,08 0,08 0,11 0,14 0,11 0,05
20 0,69 0,62 0,34 0,62 0,55 0,55 0,62 0,62 0,49 0,41
30 1,71 0,57 1,36 0,57 0,34 0,57 0,68 1,70 0,34 0,34
40 0,32 0,48 0,47 0,33 0,01 -0,15 -0,16 0,16 0,33 -0,31
50 -0,39 0,01 -0,19 0,00 -0,39 -0,39 -0,78 -0,58 -0,19 -0,59
Media 200 0,49 0,38 0,42 0,34 0,12 0,13 0,09 0,41 0,21 -0,02
500 10 0,09 0,25 0,08 0,09 0,05 0,05 0,03 0,14 0,19 0,03
20 0,48 0,68 0,26 0,37 0,20 0,17 0,28 0,45 0,54 0,14
30 1,33 0,85 0,38 0,28 0,33 0,24 0,19 0,66 0,80 0,14
40 2,20 1,26 0,53 0,33 0,40 0,26 0,60 2,13 1,26 0,33
50 2,48 1,37 0,34 0,51 0,52 0,34 0,68 2,65 1,11 0,26
Media 500 1,31 0,88 0,32 0,32 0,30 0,21 0,36 1,21 0,78 0,18
1000 10 0,06 0,16 0,06 0,07 0,03 0,02 0,03 0,07 0,15 0,01
20 0,60 0,49 0,26 0,29 0,10 0,07 0,09 0,79 0,45 0,07
30 0,95 0,88 0,62 0,74 0,19 0,19 0,17 0,69 0,83 0,14
40 1,52 1,21 1,18 1,08 0,24 0,24 0,24 1,48 1,15 0,13
50 1,70 1,53 1,27 1,40 0,57 0,22 0,39 1,66 1,40 0,39
Media 1000 0,97 0,85 0,68 0,71 0,23 0,15 0,18 0,94 0,79 0,15
Media general 0,70 0,63 0,63 0,43 0,17 0,15 0,17 0,63 0,51 0,08

tiempo de parada.

100 10 0,00 0,17 0,11 0,06 0,11 0,05 0,12 0,06 0,12 0,05
20 0,26 0,25 0,13 0,25 0,25 0,25 0,27 0,13 0,13 0,00
30 -0,20 0,22 0,43 0,22 -0,21 0,00 -0,20 -0,43 0,22 -0,43
40 0,00 0,88 1,47 0,88 0,00 0,00 0,00 0,00 0,59 0,29
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,01 0,31 1,07 0,28 0,03 0,06 0,04 -0,05 0,21 -0,02
200 10 0,11 0,14 0,11 0,19 0,08 0,05 0,05 0,11 0,08 0,05
20 0,62 0,35 0,28 0,41 0,41 0,48 0,49 0,55 0,35 0,34
30 0,80 0,34 1,13 0,57 0,34 0,45 0,68 0,91 0,22 0,22
40 -0,30 0,01 -0,16 0,01 -0,31 -0,62 -0,62 -0,16 0,01 -0,62
50 -0,78 -0,19 -0,19 -0,20 -0,39 -0,39 -0,78 -0,78 -0,19 -0,59
Media 200 0,09 0,13 0,23 0,20 0,03 0,00 -0,04 0,13 0,10 -0,12
500 10 0,08 0,18 0,06 0,03 0,03 0,02 0,03 0,09 0,17 0,02
20 0,28 0,51 0,26 0,31 0,14 0,11 0,17 0,29 0,45 0,09
30 0,66 0,71 0,14 0,09 0,28 0,19 0,14 0,52 0,62 0,14
40 1,86 1,13 0,33 0,26 0,20 0,07 0,60 1,13 1,06 0,07
50 2,31 1,03 0,00 0,17 0,09 0,00 0,26 1,20 0,86 -0,08
Media 500 1,04 0,71 0,16 0,18 0,15 0,08 0,24 0,64 0,63 0,05
1000 10 0,03 0,14 0,03 0,03 0,02 0,02 0,02 0,06 0,13 0,01
20 0,26 0,45 0,10 0,14 0,04 0,06 0,07 0,43 0,39 0,03
30 0,86 0,81 0,19 0,12 0,07 0,14 0,07 0,33 0,74 0,10
40 1,18 1,04 0,37 0,30 0,10 0,03 0,10 0,88 0,94 0,00
50 1,44 1,44 0,39 0,39 0,35 0,09 0,09 1,31 1,31 0,09
Media 1000 0,75 0,78 0,22 0,20 0,12 0,07 0,07 0,60 0,70 0,04
Media general 0,47 0,48 0,42 0,21 0,08 0,05 0,08 0,33 0,41 -0,01

tiempo de parada.

100 10 0,00 0,17 0,11 0,06 0,11 0,05 0,12 0,06 0,12 0,05
20 0,26 0,25 0,13 0,25 0,25 0,00 0,14 0,13 0,13 0,00
30 -0,20 0,22 0,43 0,22 -0,21 0,00 -0,20 -0,43 0,22 -0,43
40 0,00 0,59 1,47 0,88 0,00 0,00 0,00 0,00 0,59 0,29
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,01 0,25 1,07 0,28 0,03 0,01 0,01 -0,05 0,21 -0,02
200 10 0,06 0,14 0,08 0,11 0,03 0,03 0,03 0,09 0,05 0,05
20 0,41 0,21 0,21 0,35 0,41 0,41 0,49 0,41 0,21 0,14
30 0,57 0,22 1,02 0,11 0,34 0,23 0,68 0,91 0,22 0,11
40 -0,61 -0,14 -0,77 -0,14 -0,46 -0,62 -0,62 -0,47 -0,30 -0,78
50 -0,78 -0,39 -0,38 -0,20 -0,59 -0,39 -0,78 -0,78 -0,59 -0,59
Media 200 -0,07 0,01 0,03 0,05 -0,05 -0,07 -0,04 0,03 -0,08 -0,21
500 10 0,03 0,16 0,02 0,02 0,03 0,00 0,02 0,07 0,15 0,02
20 0,20 0,46 0,26 0,20 0,09 0,09 0,11 0,26 0,34 0,03
30 0,24 0,57 0,09 0,09 0,24 0,05 0,05 0,14 0,52 -0,05
40 0,93 1,00 0,20 0,13 0,00 0,07 0,47 0,60 0,80 0,00
50 1,19 0,94 0,00 0,09 0,09 -0,17 0,17 0,86 0,86 -0,25
Media 500 0,52 0,62 0,11 0,11 0,09 0,01 0,17 0,38 0,53 -0,05
1000 10 0,01 0,11 0,01 0,01 0,01 0,02 0,01 0,02 0,11 0,01
20 0,12 0,40 0,07 0,10 0,04 0,04 0,04 0,13 0,36 0,00
30 0,40 0,69 0,14 0,10 0,05 0,05 0,02 0,33 0,57 0,00
40 1,01 0,98 0,24 0,14 0,03 0,00 0,03 0,54 0,81 0,00
50 1,22 1,18 0,13 0,17 0,22 0,00 0,04 0,65 1,09 0,09
Media 1000 0,55 0,67 0,12 0,10 0,07 0,02 0,03 0,34 0,59 0,02
Media general 0,25 0,39 0,33 0,13 0,03 -0,01 0,04 0,18 0,31 -0,06

tiempo de parada.

100 10 0,00 0,12 0,11 0,06 0,11 0,00 0,00 0,06 0,12 0,00
20 0,26 0,13 0,13 0,25 0,25 0,00 0,14 0,13 0,13 0,00
30 -0,20 0,00 0,43 0,22 -0,21 0,00 -0,20 -0,43 -0,21 -0,43
40 0,00 0,29 1,47 0,88 0,00 0,00 0,00 0,00 0,29 0,00
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,01 0,11 1,07 0,28 0,03 0,00 -0,01 -0,05 0,06 -0,09
200 10 0,03 0,08 0,05 0,08 0,03 0,03 0,00 0,06 0,03 0,00
20 0,21 -0,07 0,14 0,35 0,34 0,28 0,07 0,41 -0,07 0,00
30 0,46 0,22 0,90 0,11 0,34 0,23 0,11 0,80 0,11 -0,12
40 -0,61 -0,46 -0,77 -0,45 -0,62 -0,78 -0,78 -0,47 -0,46 -1,09
50 -0,78 -0,39 -0,38 -0,20 -0,59 -0,59 -0,78 -0,78 -0,59 -0,78
Media 200 -0,14 -0,12 -0,01 -0,02 -0,10 -0,17 -0,28 0,00 -0,20 -0,40
500 10 0,01 0,16 0,01 0,01 0,02 0,00 0,01 0,06 0,14 0,02
20 0,14 0,40 0,17 0,11 0,09 0,09 0,09 0,23 0,31 0,03
30 0,19 0,43 0,05 0,09 0,19 0,00 -0,05 0,10 0,33 -0,05
40 0,40 0,66 0,20 0,00 0,00 -0,07 0,00 0,27 0,53 -0,13
50 0,60 0,60 0,00 -0,08 0,09 -0,43 -0,08 0,51 0,43 -0,25
Media 500 0,27 0,45 0,09 0,03 0,08 -0,08 -0,01 0,23 0,35 -0,08
1000 10 0,01 0,11 0,01 0,00 0,01 0,02 0,01 0,02 0,11 0,01
20 0,03 0,34 0,06 0,06 0,04 0,03 0,03 0,09 0,29 0,00
30 0,24 0,60 0,10 0,10 0,02 0,02 0,02 0,24 0,52 0,00
40 0,40 0,77 0,17 0,10 0,00 -0,07 -0,03 0,30 0,67 -0,03
50 0,66 1,05 0,09 0,13 0,18 0,00 0,04 0,52 0,96 0,00
Media 1000 0,27 0,57 0,08 0,08 0,05 0,00 0,01 0,23 0,51 0,00
Media general 0,10 0,25 0,31 0,09 0,01 -0,06 -0,07 0,11 0,18 -0,14
Tabla D.10 – Tabla porcentual de la media de las diferen-

cias respecto a la referencia para el intervalo U(10,100) de
los algoritmos de reducción de tamaño para 120 segundos

100 10 0,00 0,12 0,11 0,06 0,06 0,00 0,00 0,06 0,12 0,00
20 0,26 0,13 0,13 0,25 0,25 0,00 0,00 0,13 0,13 0,00
30 -0,20 -0,21 0,43 0,22 -0,21 0,00 -0,43 -0,43 -0,21 -0,43
40 0,00 0,00 1,47 0,88 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,01 0,01 1,07 0,28 0,02 0,00 -0,09 -0,05 0,01 -0,09
200 10 0,03 0,05 0,03 0,06 0,03 0,03 0,00 0,03 0,03 0,00
20 0,21 -0,07 0,14 0,35 0,27 0,21 -0,07 0,34 -0,07 -0,14
30 0,34 0,22 0,90 0,00 0,34 0,00 -0,34 0,68 0,00 -0,12
40 -0,61 -0,46 -0,77 -0,45 -0,62 -0,78 -0,78 -0,47 -0,46 -1,09
50 -0,78 -0,58 -0,38 -0,39 -0,59 -0,59 -0,78 -0,78 -0,78 -0,78
Media 200 -0,16 -0,17 -0,02 -0,09 -0,11 -0,23 -0,39 -0,04 -0,26 -0,42
500 10 0,00 0,11 0,00 0,01 0,01 0,00 -0,01 0,06 0,09 0,02
20 0,11 0,31 0,11 0,11 0,06 0,06 0,09 0,17 0,28 0,03
30 0,09 0,33 0,05 0,05 0,09 0,00 -0,05 0,05 0,19 -0,09
40 0,33 0,53 0,00 0,00 -0,07 -0,13 -0,13 0,20 0,46 -0,13
50 0,26 0,51 -0,25 -0,25 -0,08 -0,51 -0,17 0,09 0,34 -0,34
Media 500 0,16 0,36 -0,02 -0,02 0,00 -0,12 -0,06 0,11 0,27 -0,10
1000 10 0,01 0,10 0,01 0,00 0,01 0,01 0,01 0,02 0,10 0,00
20 0,03 0,27 0,00 0,01 0,04 0,03 0,03 0,06 0,26 0,00
30 0,14 0,45 0,05 0,05 0,00 0,02 0,02 0,05 0,40 -0,02
40 0,37 0,57 0,10 0,03 -0,07 -0,07 -0,07 0,24 0,51 -0,10
50 0,35 0,83 -0,04 0,09 0,13 -0,09 -0,04 0,35 0,74 -0,09
Media 1000 0,18 0,45 0,02 0,04 0,02 -0,02 -0,01 0,14 0,40 -0,04
Media general 0,05 0,16 0,26 0,05 -0,02 -0,09 -0,14 0,04 0,11 -0,16


100 10 0,00 0,12 0,11 0,06 0,06 0,00 0,00 0,00 0,12 0,00
20 0,13 0,00 0,13 0,25 0,25 0,00 0,00 0,00 0,00 0,00
30 -0,43 -0,21 0,43 0,22 -0,21 0,00 -0,43 -0,43 -0,21 -0,43
40 0,00 0,00 1,47 0,88 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 3,22 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 -0,06 -0,02 1,07 0,28 0,02 0,00 -0,09 -0,09 -0,02 -0,09
200 10 0,03 0,03 0,03 0,06 0,03 0,00 0,00 0,00 0,03 0,00
20 0,21 -0,07 0,00 0,28 0,07 0,14 -0,14 0,21 -0,07 -0,14
30 0,34 0,22 0,22 -0,12 0,22 -0,23 -0,34 0,45 0,00 -0,23
40 -0,61 -0,46 -0,77 -0,77 -0,78 -0,78 -0,78 -0,77 -0,46 -1,09
50 -0,78 -0,58 -0,38 -0,59 -0,59 -0,59 -0,78 -0,78 -0,78 -0,78
Media 200 -0,16 -0,17 -0,18 -0,23 -0,21 -0,29 -0,41 -0,18 -0,26 -0,45
500 10 0,00 0,10 0,00 0,01 0,00 0,00 -0,01 0,05 0,08 0,01
20 0,11 0,28 0,09 0,11 0,06 0,06 0,09 0,11 0,26 0,03
30 0,09 0,33 -0,05 0,05 0,00 0,00 -0,05 0,05 0,19 -0,09
40 0,33 0,53 0,00 0,00 -0,07 -0,20 -0,13 0,07 0,46 -0,13
50 0,17 0,51 -0,25 -0,25 -0,34 -0,51 -0,26 0,09 0,17 -0,43
Media 500 0,14 0,35 -0,04 -0,02 -0,07 -0,13 -0,07 0,07 0,23 -0,12
1000 10 0,01 0,08 0,01 0,00 0,01 0,01 0,01 0,01 0,07 0,00
20 0,03 0,26 0,00 0,01 0,01 0,03 0,03 0,04 0,22 0,00
30 0,10 0,40 0,00 0,00 0,00 0,02 0,02 0,05 0,38 -0,02
40 0,30 0,54 0,07 0,03 -0,07 -0,07 -0,07 0,17 0,51 -0,10
50 0,35 0,70 -0,09 0,09 -0,09 -0,09 -0,04 0,31 0,66 -0,09
Media 1000 0,16 0,40 0,00 0,03 -0,03 -0,02 -0,01 0,12 0,37 -0,04
Media general 0,02 0,14 0,21 0,02 -0,07 -0,11 -0,14 -0,02 0,08 -0,17


100 10 0,23 0,35 0,29 0,25 0,25 0,27 0,25 0,41 0,29 0,16
20 0,85 0,71 0,63 0,58 0,77 0,74 0,74 1,42 0,63 0,64
30 1,71 0,85 1,66 1,37 0,51 0,51 0,80 1,65 0,63 0,40
40 1,92 1,91 4,51 3,78 1,03 0,76 1,14 2,02 1,91 0,64
50 2,72 1,90 10,75 10,67 0,65 0,45 0,05 2,37 1,65 -0,11
Media 100 1,49 1,14 3,57 3,33 0,64 0,55 0,60 1,57 1,02 0,35
200 10 0,15 0,24 0,10 0,11 0,10 0,10 0,09 0,21 0,18 0,05
20 1,09 0,38 0,60 0,83 0,42 0,40 0,36 1,07 0,34 0,28
30 2,45 0,60 0,86 0,69 0,46 0,58 0,49 1,69 0,52 0,58
40 2,27 0,31 0,92 0,66 -0,12 0,26 0,07 2,20 0,19 -0,20
50 2,83 0,59 1,59 1,82 0,24 0,19 0,39 2,51 0,34 0,20
Media 200 1,76 0,42 0,82 0,82 0,22 0,31 0,28 1,54 0,31 0,18
500 10 0,14 0,12 0,07 0,08 0,05 0,04 0,04 0,13 0,11 0,04
20 0,58 0,20 0,28 0,46 0,18 0,20 0,19 0,43 0,18 0,20
30 1,02 0,17 0,42 0,36 0,19 0,21 0,19 0,81 0,17 0,16
40 1,44 -0,06 0,34 0,40 -0,02 -0,06 -0,09 1,88 -0,11 -0,05
50 2,17 -0,15 0,17 0,08 -0,21 -0,19 -0,23 3,38 -0,19 -0,25
Media 500 1,07 0,05 0,26 0,27 0,04 0,04 0,02 1,32 0,03 0,02
1000 10 0,13 0,08 0,04 0,05 0,01 0,01 0,02 0,04 0,07 0,02
20 0,35 0,18 0,15 0,17 0,04 0,05 0,04 0,30 0,17 0,04
30 0,76 0,10 0,23 0,35 0,03 0,02 0,03 0,67 0,06 0,04
40 1,57 -0,02 0,43 0,40 0,05 0,04 0,04 1,41 -0,03 0,02
50 2,27 -0,10 0,35 0,51 0,10 0,09 0,10 2,00 -0,15 0,09
Media 1000 1,02 0,05 0,24 0,30 0,05 0,04 0,04 0,88 0,02 0,04
Media general 1,33 0,42 1,22 1,18 0,24 0,23 0,23 1,33 0,35 0,15
Tabla D.13 – Tabla porcentual de la media de las dife-

rencias respecto a la referencia para el intervalo trabajos
correlacionados de los algoritmos de reducción de tamaño
para 15 segundos como tiempo de parada.

100 10 0,18 0,25 0,24 0,20 0,21 0,25 0,21 0,31 0,23 0,14
20 0,64 0,59 0,48 0,44 0,77 0,64 0,67 1,15 0,52 0,38
30 0,98 0,62 1,37 1,15 0,46 0,12 0,52 1,42 0,40 0,18
40 1,34 1,48 4,30 3,71 0,27 0,34 0,61 1,67 1,28 -0,02
50 2,27 1,48 10,75 10,67 0,21 -0,18 -0,56 2,11 1,30 -0,63
Media 100 1,08 0,88 3,43 3,23 0,39 0,23 0,29 1,33 0,75 0,01
200 10 0,08 0,18 0,08 0,09 0,08 0,09 0,07 0,19 0,15 0,02
20 0,58 0,32 0,53 0,65 0,30 0,30 0,34 0,58 0,28 0,17
30 1,90 0,49 0,66 0,52 0,43 0,52 0,49 1,55 0,40 0,46
40 1,69 0,19 0,85 0,39 -0,20 0,15 -0,08 2,01 0,04 -0,23
50 1,79 0,45 1,31 1,39 0,15 -0,09 0,07 2,13 0,25 -0,09
Media 200 1,21 0,33 0,68 0,61 0,15 0,19 0,18 1,29 0,22 0,06
500 10 0,08 0,12 0,04 0,04 0,02 0,02 0,02 0,09 0,11 0,02
20 0,42 0,15 0,24 0,33 0,17 0,19 0,15 0,43 0,15 0,14
30 0,81 0,11 0,36 0,33 0,16 0,16 0,16 0,61 0,08 0,15
40 1,00 -0,11 0,31 0,20 -0,05 -0,09 -0,11 0,97 -0,12 -0,11
50 1,48 -0,27 0,10 -0,15 -0,36 -0,42 -0,29 1,73 -0,29 -0,34
Media 500 0,76 0,00 0,21 0,15 -0,01 -0,03 -0,01 0,77 -0,01 -0,03
1000 10 0,05 0,07 0,02 0,02 0,01 0,01 0,01 0,04 0,07 0,02
20 0,18 0,17 0,08 0,09 0,02 0,02 0,02 0,18 0,15 0,02
30 0,52 0,07 0,06 0,13 0,01 -0,01 0,01 0,31 0,05 0,01
40 1,05 -0,04 0,12 0,16 0,02 0,00 -0,01 0,87 -0,05 0,01
50 1,61 -0,18 0,11 0,19 -0,03 0,00 0,00 1,40 -0,19 0,00
Media 1000 0,68 0,02 0,08 0,12 0,01 0,01 0,01 0,56 0,01 0,01
Media general 0,93 0,31 1,10 1,03 0,13 0,10 0,12 0,99 0,24 0,01


100 10 0,16 0,21 0,22 0,12 0,17 0,21 0,16 0,25 0,21 0,14
20 0,52 0,52 0,41 0,26 0,67 0,45 0,56 0,97 0,52 0,26
30 0,57 0,45 1,08 0,98 0,18 -0,10 0,17 1,15 0,23 0,01
40 0,87 1,27 4,23 3,71 -0,15 -0,46 -0,03 1,45 0,97 -0,16
50 1,04 1,31 10,75 10,67 -0,99 -1,01 -1,00 1,69 0,97 -1,16
Media 100 0,63 0,75 3,34 3,15 -0,02 -0,18 -0,03 1,10 0,58 -0,18
200 10 0,05 0,16 0,05 0,05 0,06 0,06 0,06 0,14 0,14 0,02
20 0,36 0,26 0,45 0,46 0,29 0,17 0,30 0,47 0,24 0,15
30 1,46 0,35 0,57 0,52 0,43 0,41 0,49 1,07 0,29 0,37
40 1,65 0,04 0,70 0,20 -0,27 -0,01 -0,19 1,65 -0,08 -0,23
50 1,47 0,25 1,07 1,06 -0,17 -0,14 -0,13 1,69 0,11 -0,27
Media 200 1,00 0,21 0,57 0,46 0,07 0,10 0,10 1,00 0,14 0,01
500 10 0,05 0,11 0,02 0,03 0,02 0,00 0,01 0,05 0,10 0,01
20 0,34 0,14 0,15 0,18 0,14 0,15 0,12 0,36 0,13 0,11
30 0,56 0,11 0,26 0,31 0,12 0,13 0,13 0,61 0,06 0,14
40 0,75 -0,14 0,18 0,11 -0,05 -0,09 -0,11 0,81 -0,15 -0,14
50 0,99 -0,30 0,00 -0,30 -0,40 -0,46 -0,38 0,99 -0,38 -0,38
Media 500 0,54 -0,02 0,12 0,06 -0,04 -0,05 -0,05 0,57 -0,05 -0,05
1000 10 0,03 0,07 0,02 0,02 0,01 0,01 0,01 0,03 0,06 0,01
20 0,09 0,15 0,05 0,04 0,01 0,02 0,00 0,15 0,14 0,01
30 0,26 0,05 0,02 0,06 -0,02 -0,03 -0,01 0,29 0,02 -0,01
40 0,64 -0,07 0,04 0,08 0,00 -0,01 -0,04 0,45 -0,08 -0,02
50 1,18 -0,19 0,05 0,06 -0,13 -0,11 -0,09 0,62 -0,20 -0,13
Media 1000 0,44 0,00 0,04 0,05 -0,02 -0,03 -0,02 0,31 -0,01 -0,03
Media general 0,65 0,24 1,02 0,93 0,00 -0,04 0,00 0,74 0,16 -0,06


100 10 0,12 0,15 0,14 0,10 0,14 0,15 0,10 0,19 0,15 0,06
20 0,34 0,30 0,33 0,11 0,49 0,45 0,27 0,86 0,26 0,15
30 0,46 0,22 0,92 0,75 0,01 -0,22 0,00 0,75 0,00 -0,05
40 0,65 0,84 4,01 3,71 -0,58 -0,66 -0,53 1,01 0,62 -0,52
50 0,70 0,96 10,75 10,67 -1,44 -1,52 -1,35 1,24 0,51 -1,53
Media 100 0,45 0,50 3,23 3,07 -0,28 -0,36 -0,30 0,81 0,31 -0,38
200 10 0,05 0,14 0,02 0,04 0,03 0,06 0,03 0,08 0,12 -0,01
20 0,21 0,23 0,40 0,38 0,23 0,15 0,26 0,40 0,19 0,13
30 0,83 0,35 0,43 0,46 0,41 0,29 0,43 0,77 0,29 0,32
40 1,24 -0,12 0,31 0,12 -0,31 -0,20 -0,27 1,42 -0,23 -0,31
50 1,24 0,11 0,92 0,96 -0,27 -0,23 -0,37 1,50 -0,03 -0,37
Media 200 0,71 0,14 0,42 0,39 0,02 0,01 0,02 0,83 0,07 -0,05
500 10 0,04 0,10 0,02 0,02 0,02 0,00 0,01 0,02 0,09 0,00
20 0,16 0,12 0,11 0,09 0,09 0,14 0,07 0,16 0,09 0,06
30 0,50 0,07 0,21 0,24 0,09 0,13 0,12 0,58 0,05 0,13
40 0,65 -0,17 0,17 0,06 -0,05 -0,09 -0,11 0,81 -0,20 -0,15
50 0,57 -0,36 -0,04 -0,42 -0,46 -0,46 -0,38 0,93 -0,40 -0,46
Media 500 0,38 -0,05 0,09 0,00 -0,06 -0,06 -0,06 0,50 -0,07 -0,08
1000 10 0,02 0,05 0,01 0,01 0,01 0,01 0,01 0,02 0,05 0,01
20 0,05 0,15 0,03 0,03 0,00 0,00 0,00 0,10 0,12 0,00
30 0,14 0,03 -0,01 0,01 -0,04 -0,04 -0,02 0,21 0,01 -0,03
40 0,41 -0,11 -0,02 0,02 -0,03 -0,02 -0,05 0,34 -0,11 -0,04
50 0,68 -0,20 -0,04 -0,06 -0,15 -0,13 -0,13 0,60 -0,23 -0,16
Media 1000 0,26 -0,02 0,00 0,00 -0,04 -0,04 -0,04 0,26 -0,03 -0,04
Media general 0,45 0,14 0,93 0,87 -0,09 -0,11 -0,10 0,60 0,07 -0,14


100 10 0,10 0,13 0,08 0,06 0,14 0,15 0,08 0,15 0,12 0,00
20 0,26 0,26 0,15 0,11 0,41 0,30 0,19 0,60 0,19 0,01
30 0,40 0,06 0,75 0,41 -0,16 -0,33 -0,17 0,69 -0,17 -0,22
40 0,50 0,34 4,01 3,71 -0,71 -1,09 -0,67 0,79 0,26 -0,60
50 0,35 0,71 10,75 10,67 -1,63 -1,52 -1,80 0,99 0,25 -1,88
Media 100 0,32 0,30 3,15 2,99 -0,39 -0,50 -0,47 0,65 0,13 -0,54
200 10 0,04 0,13 0,02 0,04 0,03 0,05 0,02 0,04 0,09 -0,02
20 0,17 0,19 0,27 0,30 0,19 0,15 0,21 0,32 0,13 0,10
30 0,51 0,23 0,32 0,46 0,38 0,20 0,38 0,49 0,20 0,20
40 0,74 -0,23 0,27 0,04 -0,39 -0,20 -0,31 1,27 -0,31 -0,35
50 1,19 -0,08 0,56 0,77 -0,27 -0,27 -0,46 1,37 -0,22 -0,42
Media 200 0,53 0,05 0,29 0,32 -0,01 -0,01 -0,03 0,70 -0,02 -0,10
500 10 0,03 0,08 0,01 0,01 0,01 0,00 0,00 0,02 0,08 0,00
20 0,07 0,10 0,07 0,06 0,08 0,12 0,05 0,11 0,07 0,06
30 0,40 0,04 0,13 0,17 0,07 0,09 0,10 0,43 0,04 0,13
40 0,60 -0,18 0,08 0,03 -0,05 -0,09 -0,12 0,57 -0,23 -0,15
50 0,49 -0,42 -0,08 -0,46 -0,48 -0,46 -0,40 0,78 -0,49 -0,46
Media 500 0,32 -0,08 0,04 -0,04 -0,07 -0,07 -0,07 0,38 -0,11 -0,08
1000 10 0,02 0,05 0,01 0,01 0,01 0,01 0,01 0,01 0,04 0,01
20 0,03 0,12 0,03 0,02 -0,01 -0,01 0,00 0,03 0,11 0,00
30 0,09 0,02 -0,02 -0,01 -0,04 -0,04 -0,02 0,14 0,00 -0,04
40 0,24 -0,11 -0,02 -0,05 -0,04 -0,05 -0,05 0,22 -0,12 -0,04
50 0,41 -0,22 -0,11 -0,10 -0,15 -0,14 -0,14 0,37 -0,25 -0,16
Media 1000 0,16 -0,03 -0,02 -0,03 -0,04 -0,05 -0,04 0,15 -0,04 -0,05
Media general 0,33 0,06 0,86 0,81 -0,13 -0,16 -0,15 0,47 -0,01 -0,19


100 10 0,08 0,13 0,02 0,06 0,08 0,04 0,06 0,10 0,12 0,00
20 0,22 0,23 0,11 0,04 0,23 0,16 0,16 0,40 0,15 0,01
30 0,34 0,06 0,75 0,41 -0,33 -0,33 -0,28 0,58 -0,23 -0,33
40 0,43 0,06 4,01 3,64 -0,87 -1,17 -0,82 0,51 -0,02 -0,67
50 0,35 0,71 10,75 10,67 -1,63 -1,61 -1,80 0,72 0,16 -1,88
Media 100 0,28 0,24 3,13 2,96 -0,51 -0,58 -0,53 0,46 0,04 -0,57
200 10 0,04 0,12 0,02 0,02 0,03 0,03 0,02 0,04 0,09 -0,02
20 0,15 0,17 0,25 0,29 0,15 0,13 0,17 0,30 0,11 0,10
30 0,40 0,17 0,32 0,46 0,35 0,20 0,38 0,41 0,17 0,18
40 0,61 -0,27 0,23 0,04 -0,39 -0,28 -0,31 1,04 -0,39 -0,35
50 1,09 -0,08 0,51 0,64 -0,31 -0,37 -0,51 1,07 -0,22 -0,42
Media 200 0,46 0,02 0,27 0,29 -0,03 -0,06 -0,05 0,57 -0,05 -0,10
500 10 0,03 0,08 0,01 0,01 0,00 0,00 0,00 0,01 0,07 0,00
20 0,05 0,10 0,06 0,05 0,08 0,06 0,05 0,06 0,07 0,05
30 0,28 0,04 0,12 0,15 0,06 0,08 0,10 0,19 0,04 0,12
40 0,55 -0,18 0,08 0,02 -0,05 -0,09 -0,12 0,46 -0,23 -0,15
50 0,48 -0,46 -0,08 -0,46 -0,48 -0,46 -0,40 0,53 -0,51 -0,46
Media 500 0,28 -0,09 0,04 -0,05 -0,08 -0,08 -0,07 0,25 -0,11 -0,09
1000 10 0,02 0,05 0,01 0,01 0,01 0,00 0,00 0,01 0,04 0,01
20 0,02 0,10 0,01 0,01 -0,01 -0,01 0,00 0,02 0,08 0,00
30 0,09 0,02 -0,02 -0,02 -0,04 -0,04 -0,02 0,10 0,00 -0,04
40 0,20 -0,12 -0,06 -0,05 -0,05 -0,05 -0,05 0,20 -0,12 -0,04
50 0,36 -0,22 -0,11 -0,10 -0,16 -0,14 -0,14 0,34 -0,25 -0,16
Media 1000 0,14 -0,04 -0,03 -0,03 -0,05 -0,05 -0,04 0,13 -0,05 -0,05
Media general 0,29 0,03 0,85 0,79 -0,17 -0,19 -0,17 0,35 -0,04 -0,20


100 10 0,00 0,24 54,42 1,15 0,06 0,00 0,00 0,00 0,24 0,03
20 0,00 0,42 74,42 2,39 0,09 0,00 0,00 0,00 0,33 0,12
30 0,00 0,42 94,09 2,78 0,00 0,00 0,00 0,00 0,29 0,00
40 0,00 0,15 108,18 2,60 0,00 0,00 0,00 0,00 0,15 0,00
50 0,00 0,32 91,07 4,77 0,00 0,00 0,00 0,00 0,32 0,00
Media 100 0,00 0,31 84,44 2,74 0,03 0,00 0,00 0,00 0,27 0,03
200 10 0,27 0,55 62,96 1,24 0,31 0,25 0,22 0,04 0,48 0,17
20 0,09 0,30 84,80 1,30 0,17 0,00 -0,02 0,03 0,25 -0,02
30 0,43 0,46 101,70 1,61 0,06 0,06 0,06 0,17 0,40 0,00
40 0,46 0,42 113,92 2,37 0,15 0,08 0,00 0,12 0,34 0,00
50 0,61 0,26 122,88 3,49 -0,13 -0,05 -0,04 0,43 0,26 -0,13
Media 200 0,37 0,40 97,25 2,00 0,11 0,07 0,05 0,16 0,35 0,00
500 10 0,19 0,65 65,37 1,08 0,43 0,38 0,44 0,13 0,62 0,41
20 0,68 0,70 108,46 2,19 0,40 0,36 0,42 0,40 0,66 0,40
30 0,95 0,61 118,53 2,44 0,25 0,30 0,26 0,86 0,52 0,27
40 1,20 0,65 117,72 2,42 0,27 0,18 0,21 1,00 0,55 0,18
50 1,27 0,68 128,72 3,47 0,32 0,19 0,21 1,46 0,64 0,25
Media 500 0,86 0,66 107,76 2,32 0,33 0,28 0,31 0,77 0,60 0,30
1000 10 0,21 0,58 55,77 0,85 0,41 0,39 0,43 0,11 0,57 0,38
20 0,39 0,83 91,28 2,10 0,68 0,67 0,68 0,40 0,80 0,65
30 0,56 0,90 101,62 2,77 0,63 0,59 0,61 0,51 0,87 0,70
40 0,86 0,66 135,92 2,70 0,34 0,40 0,43 0,53 0,65 0,41
50 1,48 0,77 133,24 3,92 0,43 0,45 0,47 1,15 0,73 0,44
Media 1000 0,70 0,75 103,56 2,47 0,50 0,50 0,52 0,54 0,72 0,51
Media general 0,48 0,53 98,25 2,38 0,24 0,21 0,22 0,37 0,48 0,21

rencias respecto a la referencia para el intervalo máquinas
correlacionadas de los algoritmos de reducción de tamaño

100 10 0,00 0,24 54,42 1,15 0,06 0,00 0,00 0,00 0,20 0,03
20 0,00 0,42 74,42 2,39 0,09 0,00 0,00 0,00 0,27 0,00
30 0,00 0,34 94,09 2,78 0,00 0,00 0,00 0,00 0,21 0,00
40 0,00 0,15 108,18 2,60 0,00 0,00 0,00 0,00 0,15 0,00
50 0,00 0,32 91,07 4,77 0,00 0,00 0,00 0,00 0,32 0,00
Media 100 0,00 0,29 84,44 2,74 0,03 0,00 0,00 0,00 0,23 0,01
200 10 0,14 0,51 62,96 1,22 0,31 0,19 0,20 0,02 0,45 0,14
20 -0,02 0,28 84,80 1,30 0,17 0,00 -0,02 -0,02 0,22 -0,02
30 0,20 0,28 101,70 1,61 0,06 0,06 0,06 0,03 0,28 0,00
40 0,13 0,42 113,92 2,37 0,15 0,00 0,00 0,00 0,34 0,00
50 -0,04 0,26 122,88 3,49 -0,13 -0,05 -0,04 0,05 0,26 -0,13
Media 200 0,08 0,35 97,25 2,00 0,11 0,04 0,04 0,01 0,31 0,00
500 10 0,11 0,61 65,37 1,05 0,41 0,33 0,43 0,11 0,59 0,32
20 0,39 0,64 108,46 2,17 0,40 0,32 0,35 0,32 0,59 0,36
30 0,76 0,55 118,53 2,44 0,25 0,24 0,22 0,40 0,47 0,20
40 0,95 0,63 117,72 2,35 0,20 0,12 0,15 0,58 0,55 0,12
50 1,08 0,64 128,72 3,47 0,32 0,16 0,18 0,77 0,64 0,04
Media 500 0,66 0,61 107,76 2,30 0,32 0,24 0,27 0,43 0,57 0,21
1000 10 0,07 0,55 55,77 0,81 0,40 0,36 0,43 0,04 0,54 0,35
20 0,32 0,81 91,27 2,04 0,65 0,61 0,64 0,26 0,77 0,57
30 0,47 0,88 101,61 2,69 0,59 0,54 0,53 0,33 0,84 0,64
40 0,59 0,65 135,92 2,66 0,32 0,37 0,35 0,35 0,62 0,37
50 0,76 0,73 133,24 3,86 0,41 0,38 0,44 0,72 0,67 0,36
Media 1000 0,44 0,72 103,56 2,41 0,47 0,45 0,48 0,34 0,69 0,46
Media general 0,30 0,50 98,25 2,36 0,23 0,18 0,20 0,20 0,45 0,17


100 10 0,00 0,22 54,42 1,15 0,06 0,00 0,00 0,00 0,18 0,00
20 0,00 0,35 74,42 2,39 0,09 0,00 0,00 0,00 0,27 0,00
30 0,00 0,34 94,09 2,78 0,00 0,00 0,00 0,00 0,21 0,00
40 0,00 0,15 108,18 2,60 0,00 0,00 0,00 0,00 0,15 0,00
50 0,00 0,32 91,07 4,77 0,00 0,00 0,00 0,00 0,32 0,00
Media 100 0,00 0,28 84,44 2,74 0,03 0,00 0,00 0,00 0,23 0,00
200 10 0,04 0,46 62,96 1,20 0,27 0,16 0,17 0,02 0,41 0,14
20 -0,02 0,28 84,78 1,30 0,17 0,00 -0,02 -0,02 0,20 -0,02
30 0,10 0,17 101,70 1,61 0,06 0,06 0,06 0,00 0,17 0,00
40 0,00 0,42 113,92 2,37 0,15 0,00 0,00 0,00 0,34 0,00
50 -0,13 0,26 122,88 3,49 -0,13 -0,05 -0,04 -0,05 0,26 -0,13
Media 200 0,00 0,32 97,25 1,99 0,10 0,04 0,03 -0,01 0,28 0,00
500 10 0,05 0,57 65,37 1,00 0,40 0,33 0,41 0,08 0,56 0,30
20 0,20 0,63 108,44 2,14 0,39 0,32 0,29 0,22 0,58 0,33
30 0,22 0,50 118,53 2,41 0,20 0,22 0,22 0,18 0,43 0,14
40 0,61 0,63 117,69 2,35 0,20 0,09 0,12 0,06 0,48 0,12
50 0,80 0,60 128,69 3,47 0,26 0,13 0,18 0,43 0,60 0,01
Media 500 0,38 0,58 107,75 2,28 0,29 0,22 0,24 0,19 0,53 0,18
1000 10 0,03 0,52 55,77 0,80 0,40 0,36 0,38 0,03 0,51 0,32
20 0,23 0,78 91,27 2,01 0,63 0,56 0,60 0,14 0,73 0,54
30 0,25 0,85 101,61 2,63 0,56 0,52 0,48 0,17 0,83 0,58
40 0,43 0,62 135,92 2,64 0,32 0,33 0,30 0,27 0,56 0,29
50 0,44 0,65 133,24 3,83 0,39 0,35 0,42 0,30 0,63 0,30
Media 1000 0,27 0,68 103,56 2,38 0,46 0,42 0,43 0,18 0,65 0,41
Media general 0,16 0,47 98,25 2,35 0,22 0,17 0,18 0,09 0,42 0,15


100 10 0,00 0,18 54,42 1,15 0,06 0,00 0,00 0,00 0,11 0,00
20 0,00 0,27 74,42 2,39 0,09 0,00 0,00 0,00 0,27 0,00
30 0,00 0,21 94,09 2,78 0,00 0,00 0,00 0,00 0,21 0,00
40 0,00 0,15 108,18 2,60 0,00 0,00 0,00 0,00 0,15 0,00
50 0,00 0,32 91,07 4,77 0,00 0,00 0,00 0,00 0,32 0,00
Media 100 0,00 0,23 84,44 2,74 0,03 0,00 0,00 0,00 0,21 0,00
200 10 0,01 0,46 62,96 1,20 0,26 0,16 0,10 0,01 0,38 0,07
20 -0,02 0,17 84,75 1,30 0,17 0,00 -0,02 -0,02 0,14 -0,02
30 0,06 0,17 101,70 1,61 0,06 0,06 0,06 0,00 0,17 0,00
40 0,00 0,34 113,92 2,37 0,15 0,00 0,00 0,00 0,34 0,00
50 -0,13 0,17 122,88 3,49 -0,13 -0,05 -0,04 -0,05 0,17 -0,13
Media 200 -0,02 0,26 97,24 1,99 0,10 0,04 0,02 -0,01 0,24 -0,02
500 10 0,03 0,56 65,37 0,99 0,39 0,32 0,33 0,05 0,54 0,24
20 0,17 0,57 108,44 2,14 0,38 0,29 0,26 0,08 0,55 0,30
30 0,20 0,46 118,53 2,41 0,20 0,20 0,16 0,02 0,42 0,09
40 0,21 0,57 117,69 2,29 0,20 0,06 0,12 0,03 0,45 0,06
50 0,42 0,60 128,69 3,47 0,26 0,10 0,14 0,15 0,60 0,01
Media 500 0,20 0,55 107,75 2,26 0,29 0,20 0,20 0,07 0,51 0,14
1000 10 0,02 0,51 55,77 0,79 0,40 0,36 0,30 0,02 0,49 0,23
20 0,15 0,71 91,27 1,99 0,62 0,51 0,51 0,10 0,70 0,48
30 0,19 0,77 101,61 2,61 0,55 0,52 0,44 0,15 0,77 0,52
40 0,21 0,60 135,92 2,64 0,32 0,31 0,26 0,10 0,54 0,23
50 0,26 0,64 133,24 3,80 0,37 0,31 0,34 0,09 0,60 0,25
Media 1000 0,17 0,64 103,56 2,37 0,45 0,40 0,37 0,09 0,62 0,34
Media general 0,09 0,42 98,25 2,34 0,22 0,16 0,15 0,04 0,40 0,12


100 10 0,00 0,18 54,42 1,15 0,06 0,00 0,00 0,00 0,11 0,00
20 0,00 0,15 74,42 2,39 0,09 0,00 0,00 0,00 0,15 0,00
30 0,00 0,13 94,09 2,78 0,00 0,00 0,00 0,00 0,13 0,00
40 0,00 0,00 108,18 2,60 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 91,07 4,77 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,09 84,44 2,74 0,03 0,00 0,00 0,00 0,08 0,00
200 10 0,01 0,41 62,96 1,20 0,26 0,16 0,06 -0,02 0,33 -0,04
20 -0,02 0,17 84,75 1,30 0,17 0,00 -0,02 -0,02 0,14 -0,02
30 0,06 0,17 101,70 1,61 0,06 0,06 0,06 0,00 0,17 0,00
40 0,00 0,34 113,92 2,37 0,15 0,00 0,00 0,00 0,34 0,00
50 -0,13 0,17 122,88 3,49 -0,13 -0,05 -0,04 -0,05 0,17 -0,13
Media 200 -0,02 0,25 97,24 1,99 0,10 0,04 0,01 -0,02 0,23 -0,04
500 10 0,02 0,54 65,37 0,98 0,39 0,32 0,23 0,05 0,49 0,11
20 0,09 0,54 108,44 2,12 0,38 0,29 0,22 0,04 0,50 0,16
30 0,06 0,44 118,53 2,41 0,20 0,16 0,06 0,00 0,42 0,04
40 0,09 0,57 117,69 2,29 0,20 0,06 0,06 0,00 0,42 0,06
50 0,15 0,56 128,69 3,47 0,26 0,06 0,08 0,08 0,56 0,01
Media 500 0,08 0,53 107,75 2,26 0,29 0,18 0,13 0,04 0,48 0,08
1000 10 0,02 0,48 55,77 0,78 0,39 0,36 0,24 0,01 0,46 0,10
20 0,08 0,67 91,27 1,98 0,62 0,50 0,43 0,04 0,67 0,31
30 0,16 0,73 101,61 2,60 0,55 0,51 0,41 0,12 0,72 0,41
40 0,09 0,53 135,92 2,61 0,32 0,29 0,23 0,05 0,51 0,20
50 0,18 0,59 133,24 3,80 0,37 0,29 0,24 0,08 0,57 0,17
Media 1000 0,10 0,60 103,56 2,35 0,45 0,39 0,31 0,06 0,59 0,24
Media general 0,04 0,37 98,25 2,34 0,22 0,15 0,11 0,02 0,34 0,07


100 10 0,00 0,15 54,42 1,15 0,06 0,00 0,00 0,00 0,11 0,00
20 0,00 0,15 74,42 2,39 0,09 0,00 0,00 0,00 0,15 0,00
30 0,00 0,13 94,09 2,78 0,00 0,00 0,00 0,00 0,13 0,00
40 0,00 0,00 108,18 2,60 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 91,07 4,77 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,09 84,44 2,74 0,03 0,00 0,00 0,00 0,08 0,00
200 10 -0,02 0,37 62,96 1,20 0,23 0,14 0,02 -0,02 0,32 -0,04
20 -0,02 0,14 84,75 1,30 0,17 0,00 -0,02 -0,02 0,14 -0,02
30 0,06 0,17 101,70 1,61 0,06 0,06 0,06 0,00 0,17 0,00
40 0,00 0,34 113,92 2,37 0,15 0,00 0,00 0,00 0,34 0,00
50 -0,13 0,17 122,88 3,49 -0,13 -0,05 -0,04 -0,13 0,17 -0,13
Media 200 -0,02 0,24 97,24 1,99 0,10 0,03 0,00 -0,04 0,23 -0,04
500 10 0,01 0,51 65,37 0,97 0,39 0,27 0,23 0,04 0,49 0,05
20 0,08 0,54 108,44 2,12 0,37 0,27 0,19 0,00 0,50 0,12
30 0,02 0,44 118,53 2,41 0,20 0,16 0,06 0,00 0,42 0,04
40 0,09 0,57 117,69 2,29 0,20 0,06 0,06 0,00 0,42 0,03
50 0,09 0,56 128,69 3,47 0,26 0,06 0,05 0,08 0,56 0,01
Media 500 0,06 0,52 107,75 2,25 0,28 0,16 0,12 0,02 0,48 0,05
1000 10 0,01 0,47 55,77 0,78 0,39 0,35 0,20 0,00 0,45 0,05
20 0,04 0,67 91,27 1,97 0,62 0,47 0,40 0,02 0,67 0,26
30 0,13 0,72 101,61 2,60 0,54 0,47 0,40 0,07 0,71 0,37
40 0,09 0,51 135,92 2,61 0,31 0,29 0,20 0,03 0,48 0,19
50 0,16 0,58 133,24 3,80 0,37 0,29 0,24 0,08 0,56 0,14
Media 1000 0,09 0,59 103,56 2,35 0,45 0,38 0,29 0,04 0,57 0,20
Media general 0,03 0,36 98,25 2,33 0,21 0,14 0,10 0,01 0,34 0,05


100 10 0,03 0,29 0,02 0,03 0,02 0,01 0,01 0,02 0,27 0,02
20 0,15 0,28 0,30 0,08 0,11 0,09 0,04 0,13 0,28 0,06
30 0,69 -0,10 0,15 0,39 -0,10 -0,15 -0,07 0,17 -0,12 -0,12
40 0,95 0,00 0,43 0,26 0,03 0,03 0,07 0,07 0,00 0,07
50 0,00 0,14 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,36 0,12 0,31 0,15 0,01 0,00 0,01 0,08 0,09 0,00
200 10 0,44 0,39 0,19 0,27 0,16 0,22 0,16 0,35 0,31 0,19
20 0,27 0,51 0,10 0,12 0,14 0,17 0,14 0,18 0,45 0,17
30 1,17 -0,31 0,38 0,34 -0,21 -0,21 -0,20 0,54 -0,37 -0,24
40 0,48 0,33 0,25 0,10 0,06 0,10 0,06 0,37 0,33 0,08
50 0,73 0,39 0,29 0,07 0,10 0,22 0,12 0,39 0,34 0,05
Media 200 0,62 0,26 0,24 0,18 0,05 0,10 0,06 0,37 0,21 0,05
500 10 0,19 0,23 0,06 0,07 0,03 0,02 0,03 0,18 0,20 0,02
20 0,85 0,60 0,22 0,19 0,26 0,20 0,28 0,64 0,55 0,24
30 0,71 0,52 1,19 1,14 0,64 0,59 0,63 0,75 0,49 0,66
40 0,45 0,26 1,14 1,05 0,33 0,30 0,36 0,41 0,21 0,33
50 0,73 0,44 0,09 0,15 0,11 0,11 0,08 0,63 0,43 0,02
Media 500 0,59 0,41 0,54 0,52 0,27 0,25 0,28 0,52 0,38 0,26
1000 10 0,21 0,13 0,10 0,08 0,02 0,02 0,02 0,21 0,11 0,03
20 0,61 0,40 0,33 0,25 0,10 0,11 0,08 0,76 0,37 0,06
30 0,68 0,43 0,82 0,70 0,56 0,54 0,56 0,74 0,42 0,58
40 0,90 0,50 0,39 0,60 0,11 0,14 0,14 0,90 0,49 0,07
50 0,70 0,42 0,36 0,40 0,04 -0,02 0,04 0,62 0,40 0,02
Media 1000 0,62 0,38 0,40 0,41 0,17 0,16 0,17 0,65 0,36 0,15
Media general 0,55 0,29 0,37 0,31 0,13 0,12 0,13 0,40 0,26 0,12

cias respecto a la referencia para el intervalo U(100,200)
de los algoritmos de reducción de tamaño para 15 segundos

100 10 0,03 0,21 0,01 0,01 0,02 0,01 0,01 0,01 0,19 0,00
20 0,11 0,26 0,30 0,06 0,11 0,06 0,04 0,08 0,24 0,04
30 0,25 -0,12 0,10 0,35 -0,12 -0,15 -0,07 0,15 -0,15 -0,12
40 0,20 0,00 0,33 0,20 0,03 0,00 0,03 0,07 0,00 0,00
50 0,00 0,10 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,12 0,09 0,28 0,12 0,01 -0,02 0,00 0,06 0,06 -0,02
200 10 0,26 0,32 0,12 0,13 0,15 0,18 0,12 0,30 0,25 0,14
20 0,14 0,44 0,09 0,10 0,10 0,11 0,11 0,10 0,37 0,06
30 0,91 -0,34 0,37 0,29 -0,23 -0,23 -0,20 0,27 -0,39 -0,28
40 0,31 0,27 0,23 0,08 0,04 0,06 0,04 0,25 0,25 0,00
50 0,34 0,34 0,24 0,05 0,10 0,12 0,00 0,27 0,24 0,05
Media 200 0,39 0,21 0,21 0,13 0,03 0,05 0,02 0,24 0,14 -0,01
500 10 0,13 0,20 0,04 0,05 0,03 0,01 0,02 0,04 0,16 0,02
20 0,48 0,54 0,16 0,10 0,24 0,17 0,26 0,29 0,50 0,19
30 0,62 0,47 1,09 1,06 0,64 0,59 0,63 0,56 0,44 0,65
40 0,36 0,20 1,08 1,02 0,33 0,30 0,36 0,30 0,14 0,33
50 0,72 0,39 0,03 0,02 0,05 0,07 0,02 0,36 0,37 0,00
Media 500 0,46 0,36 0,48 0,45 0,26 0,23 0,26 0,31 0,32 0,24
1000 10 0,09 0,10 0,03 0,03 0,02 0,01 0,02 0,02 0,08 0,02
20 0,46 0,37 0,15 0,09 0,05 0,08 0,04 0,65 0,33 0,01
30 0,61 0,39 0,73 0,64 0,51 0,53 0,56 0,66 0,37 0,58
40 0,71 0,44 0,06 0,14 0,04 0,08 0,07 0,78 0,43 0,04
50 0,66 0,34 0,08 0,05 0,01 -0,06 0,01 0,61 0,33 -0,05
Media 1000 0,51 0,33 0,21 0,19 0,13 0,13 0,14 0,55 0,31 0,12
Media general 0,37 0,25 0,29 0,22 0,11 0,10 0,10 0,29 0,21 0,08


100 10 0,02 0,18 0,01 0,00 0,01 0,01 0,01 0,00 0,15 0,00
20 0,06 0,24 0,28 0,06 0,11 0,06 0,04 0,08 0,23 0,04
30 0,12 -0,12 0,05 0,30 -0,12 -0,15 -0,07 0,12 -0,15 -0,15
40 0,07 -0,03 0,26 0,20 0,03 0,00 0,03 0,03 -0,03 0,00
50 0,00 0,05 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,05 0,06 0,25 0,11 0,01 -0,02 0,00 0,05 0,04 -0,02
200 10 0,16 0,30 0,08 0,11 0,14 0,16 0,11 0,21 0,18 0,12
20 0,09 0,37 0,06 0,09 0,08 0,10 0,08 0,10 0,32 0,06
30 0,34 -0,41 0,31 0,13 -0,23 -0,38 -0,21 -0,27 -0,45 -0,32
40 0,21 0,25 0,23 0,06 0,04 0,04 0,04 0,16 0,21 0,00
50 0,22 0,27 0,24 0,00 0,10 0,12 0,00 0,22 0,22 0,00
Media 200 0,20 0,16 0,19 0,08 0,02 0,01 0,00 0,09 0,10 -0,03
500 10 0,05 0,16 0,03 0,04 0,02 0,01 0,02 0,01 0,13 0,01
20 0,33 0,50 0,13 0,05 0,24 0,16 0,24 0,21 0,48 0,16
30 0,55 0,43 1,03 1,06 0,64 0,58 0,60 0,36 0,40 0,59
40 0,30 0,14 0,97 0,90 0,30 0,30 0,36 0,24 0,11 0,33
50 0,54 0,32 0,01 -0,02 0,04 0,06 0,00 0,19 0,32 -0,02
Media 500 0,35 0,31 0,43 0,41 0,25 0,22 0,24 0,20 0,29 0,22
1000 10 0,02 0,08 0,01 0,02 0,01 0,01 0,02 0,01 0,07 0,02
20 0,20 0,34 0,07 0,01 0,02 0,06 0,02 0,15 0,28 0,00
30 0,49 0,36 0,61 0,59 0,46 0,45 0,56 0,47 0,34 0,52
40 0,63 0,42 0,02 0,04 0,03 0,07 0,07 0,32 0,40 0,01
50 0,60 0,32 -0,02 -0,03 -0,09 -0,09 -0,09 0,35 0,30 -0,10
Media 1000 0,39 0,30 0,14 0,13 0,09 0,10 0,12 0,26 0,28 0,09
Media general 0,25 0,21 0,25 0,18 0,09 0,08 0,09 0,15 0,18 0,06


100 10 0,02 0,16 0,01 0,00 0,01 0,00 0,00 0,00 0,14 0,00
20 0,06 0,17 0,26 0,06 0,11 0,04 0,04 0,08 0,15 0,02
30 0,10 -0,15 0,02 0,27 -0,15 -0,15 -0,12 0,10 -0,15 -0,15
40 0,03 -0,03 0,26 0,20 0,03 0,00 0,03 0,00 -0,03 0,00
50 0,00 0,00 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,04 0,03 0,25 0,11 0,00 -0,02 -0,01 0,03 0,02 -0,03
200 10 0,12 0,26 0,05 0,08 0,13 0,10 0,06 0,14 0,15 0,01
20 0,06 0,31 0,05 0,09 0,08 0,09 0,03 0,10 0,28 0,02
30 -0,15 -0,42 0,27 0,08 -0,27 -0,38 -0,37 -0,57 -0,46 -0,52
40 0,14 0,19 0,23 0,04 0,04 0,04 0,04 0,16 0,19 0,00
50 0,19 0,19 0,24 0,00 0,10 0,05 0,00 0,15 0,15 0,00
Media 200 0,07 0,11 0,17 0,06 0,01 -0,02 -0,05 -0,01 0,06 -0,10
500 10 0,03 0,14 0,02 0,03 0,02 0,01 0,01 0,01 0,13 0,00
20 0,26 0,44 0,08 0,03 0,19 0,15 0,04 0,06 0,44 0,02
30 0,43 0,37 0,93 1,00 0,64 0,57 0,58 0,28 0,36 0,52
40 0,27 0,10 0,95 0,89 0,28 0,30 0,31 0,23 0,06 0,31
50 0,15 0,25 0,00 -0,03 0,04 0,04 -0,05 0,13 0,25 -0,08
Media 500 0,23 0,26 0,40 0,38 0,23 0,21 0,18 0,14 0,25 0,16
1000 10 0,01 0,07 0,01 0,02 0,01 0,01 0,01 0,01 0,06 0,01
20 0,07 0,30 0,05 -0,01 0,00 0,03 -0,01 0,03 0,23 -0,01
30 0,39 0,33 0,48 0,44 0,39 0,44 0,53 0,38 0,30 0,32
40 0,19 0,37 0,01 0,02 0,02 0,01 0,00 0,18 0,35 0,01
50 0,29 0,29 -0,08 -0,09 -0,10 -0,09 -0,11 0,21 0,25 -0,10
Media 1000 0,19 0,27 0,09 0,07 0,06 0,08 0,08 0,16 0,24 0,04
Media general 0,13 0,17 0,23 0,15 0,08 0,06 0,05 0,08 0,14 0,02


100 10 0,01 0,15 0,01 0,00 0,01 0,00 0,00 0,00 0,12 0,00
20 0,04 0,11 0,26 0,06 0,11 0,02 0,04 0,04 0,11 0,00
30 0,07 -0,15 0,00 0,25 -0,15 -0,15 -0,12 0,00 -0,15 -0,15
40 0,00 -0,03 0,23 0,16 0,03 0,00 0,03 0,00 -0,07 0,00
50 0,00 0,00 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,02 0,02 0,23 0,09 0,00 -0,03 -0,01 0,01 0,00 -0,03
200 10 0,08 0,21 0,04 0,07 0,13 0,10 0,02 0,13 0,13 -0,01
20 0,03 0,29 0,05 0,06 0,08 0,07 0,03 0,10 0,26 0,02
30 -0,49 -0,48 0,26 0,08 -0,31 -0,38 -0,52 -0,66 -0,53 -0,63
40 0,10 0,17 0,23 0,04 0,04 0,04 0,04 0,12 0,16 0,00
50 0,10 0,19 0,24 0,00 0,10 0,02 0,00 0,12 0,10 0,00
Media 200 -0,04 0,08 0,16 0,05 0,01 -0,03 -0,09 -0,04 0,02 -0,12
500 10 0,02 0,11 0,02 0,02 0,02 0,01 0,01 0,01 0,10 -0,01
20 0,17 0,41 0,02 0,02 0,14 0,15 0,02 0,05 0,39 0,02
30 0,28 0,35 0,82 0,88 0,64 0,57 0,34 0,17 0,33 0,40
40 0,22 0,06 0,95 0,87 0,28 0,30 0,28 0,21 0,02 0,28
50 0,05 0,23 -0,02 -0,04 -0,04 0,01 -0,07 0,08 0,23 -0,09
Media 500 0,15 0,23 0,36 0,35 0,21 0,21 0,11 0,10 0,21 0,12
1000 10 0,01 0,07 0,01 0,01 0,01 0,01 0,01 0,00 0,05 0,00
20 0,03 0,27 0,03 -0,01 0,00 0,02 -0,01 0,02 0,20 -0,01
30 0,31 0,27 0,36 0,29 0,38 0,43 0,38 0,25 0,24 0,30
40 0,14 0,34 0,00 0,00 0,01 0,00 -0,01 0,13 0,32 0,00
50 0,13 0,25 -0,09 -0,11 -0,12 -0,09 -0,11 0,10 0,22 -0,11
Media 1000 0,12 0,24 0,06 0,04 0,06 0,08 0,05 0,10 0,21 0,04
Media general 0,06 0,14 0,20 0,13 0,07 0,06 0,02 0,04 0,11 0,00


100 10 0,01 0,13 0,01 0,00 0,01 0,00 0,00 0,00 0,12 0,00
20 0,04 0,11 0,26 0,06 0,11 0,02 0,04 0,04 0,11 0,00
30 -0,02 -0,15 0,00 0,15 -0,15 -0,15 -0,15 -0,05 -0,15 -0,15
40 0,00 -0,03 0,23 0,16 0,03 -0,03 0,00 -0,03 -0,07 0,00
50 0,00 0,00 0,67 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,01 0,23 0,07 0,00 -0,03 -0,02 -0,01 0,00 -0,03
200 10 0,06 0,21 0,02 0,05 0,10 0,08 0,01 0,11 0,13 -0,01
20 0,01 0,29 0,04 0,04 0,07 0,04 0,03 0,05 0,25 0,00
30 -0,57 -0,48 -0,17 -0,28 -0,53 -0,57 -0,56 -0,70 -0,55 -0,67
40 0,08 0,14 0,23 0,02 0,04 0,02 0,02 0,10 0,12 0,00
50 0,05 0,17 0,24 0,00 0,10 0,02 0,00 0,10 0,10 0,00
Media 200 -0,07 0,07 0,07 -0,03 -0,05 -0,08 -0,10 -0,07 0,01 -0,14
500 10 0,01 0,11 0,01 0,02 0,01 0,01 0,00 0,00 0,10 -0,01
20 0,14 0,41 0,02 0,01 0,06 0,02 0,01 0,03 0,37 0,02
30 0,18 0,33 0,49 0,65 0,34 0,39 0,30 0,13 0,30 0,33
40 0,17 0,05 0,77 0,72 0,27 0,27 0,28 0,15 0,00 0,27
50 0,03 0,21 -0,02 -0,04 -0,07 -0,04 -0,08 0,06 0,19 -0,09
Media 500 0,11 0,22 0,25 0,27 0,12 0,13 0,10 0,07 0,19 0,11
1000 10 0,01 0,06 0,00 0,00 0,01 0,01 0,00 0,00 0,05 0,00
20 0,02 0,26 0,02 -0,01 -0,01 0,02 -0,01 0,01 0,20 -0,01
30 0,29 0,26 0,28 0,21 0,25 0,36 0,30 0,20 0,23 0,30
40 0,13 0,33 0,00 -0,01 0,00 -0,01 -0,01 0,09 0,31 0,00
50 0,11 0,25 -0,09 -0,11 -0,12 -0,12 -0,11 0,05 0,20 -0,12
Media 1000 0,11 0,23 0,04 0,02 0,03 0,05 0,03 0,07 0,20 0,03
Media general 0,04 0,13 0,15 0,08 0,03 0,02 0,00 0,02 0,10 -0,01


100 10 0,03 0,08 0,04 0,03 0,02 0,03 0,03 0,05 0,08 0,01
20 0,02 0,04 0,08 0,04 0,02 0,02 0,04 0,02 0,04 0,00
30 0,03 0,00 0,03 0,05 0,00 0,00 0,00 0,03 0,00 0,00
40 0,03 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,02 0,02 0,03 0,03 0,01 0,01 0,01 0,02 0,02 0,00
200 10 0,04 0,05 0,00 0,00 0,02 0,02 0,02 0,04 0,05 0,01
20 0,08 0,09 0,03 0,01 -0,01 0,01 -0,01 0,09 0,07 0,02
30 0,29 0,01 0,16 0,16 0,01 0,00 -0,01 0,09 0,00 0,00
40 0,04 0,02 0,02 0,00 0,00 0,00 0,00 0,04 0,02 0,00
50 0,02 0,02 0,00 0,00 0,00 0,00 0,00 0,02 0,00 0,00
Media 200 0,09 0,04 0,04 0,03 0,01 0,01 0,00 0,06 0,03 0,01
500 10 0,05 0,09 0,01 0,01 0,02 0,02 0,01 0,03 0,07 0,01
20 0,17 0,07 0,01 0,02 0,01 0,00 0,00 0,05 0,06 0,01
30 0,33 0,09 0,32 0,33 0,11 0,11 0,11 0,33 0,09 0,11
40 0,06 -0,02 0,12 0,15 -0,02 -0,02 -0,02 0,05 -0,02 -0,02
50 0,08 0,01 -0,03 -0,03 -0,02 -0,04 -0,03 0,09 0,01 -0,04
Media 500 0,14 0,05 0,09 0,10 0,02 0,02 0,02 0,11 0,04 0,01
1000 10 0,15 0,07 0,02 0,03 0,01 0,02 0,02 0,04 0,06 0,01
20 0,19 0,08 0,04 0,03 0,01 0,02 0,02 0,10 0,07 0,02
30 0,09 0,03 0,19 0,20 0,05 0,04 0,04 0,09 0,02 0,04
40 0,14 0,04 0,01 0,01 -0,01 -0,01 -0,01 0,12 0,04 -0,01
50 0,04 0,01 -0,02 -0,02 -0,04 -0,04 -0,04 0,06 0,00 -0,05
Media 1000 0,12 0,04 0,05 0,05 0,00 0,00 0,00 0,08 0,04 0,00
Media general 0,09 0,04 0,05 0,05 0,01 0,01 0,01 0,07 0,03 0,01


100 10 0,02 0,08 0,04 0,02 0,02 0,03 0,01 0,05 0,08 0,00
20 0,02 0,04 0,08 0,04 0,02 0,02 0,02 0,02 0,04 0,00
30 0,00 0,00 0,03 0,05 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,01 0,02 0,03 0,03 0,01 0,01 0,01 0,01 0,02 0,00
200 10 0,02 0,05 0,00 0,00 0,01 0,02 0,02 0,03 0,05 0,00
20 0,05 0,09 0,00 0,01 -0,01 0,01 -0,01 0,08 0,07 0,00
30 0,20 0,01 0,11 0,11 0,00 -0,04 -0,03 0,04 0,00 -0,03
40 0,02 0,02 0,02 0,00 0,00 0,00 0,00 0,04 0,02 0,00
50 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 200 0,06 0,04 0,03 0,02 0,00 0,00 0,00 0,04 0,03 -0,01
500 10 0,01 0,07 0,01 0,01 0,02 0,01 0,01 0,01 0,06 0,01
20 0,06 0,06 0,01 0,01 0,00 0,00 0,00 0,02 0,06 0,01
30 0,32 0,09 0,32 0,33 0,11 0,11 0,11 0,32 0,09 0,11
40 0,06 -0,02 0,12 0,12 -0,02 -0,02 -0,02 0,03 -0,02 -0,02
50 0,07 0,01 -0,03 -0,03 -0,03 -0,04 -0,03 0,04 0,01 -0,04
Media 500 0,10 0,04 0,08 0,09 0,02 0,01 0,02 0,09 0,04 0,01
1000 10 0,05 0,07 0,00 0,01 0,01 0,01 0,02 0,02 0,05 0,01
20 0,17 0,06 0,02 0,02 0,01 0,01 0,01 0,06 0,06 0,01
30 0,07 0,02 0,15 0,20 0,05 0,04 0,04 0,06 0,01 0,04
40 0,12 0,03 0,00 0,00 -0,01 -0,01 -0,02 0,08 0,03 -0,01
50 0,03 0,00 -0,04 -0,05 -0,04 -0,04 -0,04 0,06 -0,01 -0,05
Media 1000 0,09 0,04 0,03 0,04 0,00 0,00 0,00 0,05 0,03 0,00
Media general 0,06 0,04 0,04 0,04 0,01 0,01 0,00 0,05 0,03 0,00


100 10 0,02 0,06 0,04 0,02 0,02 0,03 0,01 0,03 0,05 0,00
20 0,00 0,04 0,08 0,02 0,02 0,02 0,02 0,00 0,04 0,00
30 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 0,02 0,02 0,01 0,01 0,01 0,01 0,02 0,00
200 10 0,01 0,05 0,00 0,00 0,01 0,02 0,01 0,03 0,05 0,00
20 0,04 0,08 -0,01 0,01 -0,01 0,01 -0,01 0,07 0,07 0,00
30 0,09 0,01 0,09 0,10 -0,03 -0,04 -0,06 -0,01 -0,01 -0,04
40 0,02 0,02 0,02 0,00 0,00 0,00 0,00 0,02 0,02 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 200 0,03 0,03 0,02 0,02 -0,01 0,00 -0,01 0,02 0,02 -0,01
500 10 0,00 0,06 0,00 0,00 0,02 0,01 0,01 0,00 0,05 0,01
20 0,02 0,06 0,01 0,01 0,00 0,00 0,00 0,02 0,06 0,01
30 0,31 0,09 0,32 0,32 0,11 0,11 0,11 0,32 0,08 0,11
40 0,04 -0,02 0,11 0,12 -0,02 -0,02 -0,02 0,03 -0,02 -0,02
50 0,00 0,01 -0,03 -0,03 -0,03 -0,04 -0,03 0,02 0,01 -0,04
Media 500 0,07 0,04 0,08 0,08 0,02 0,01 0,02 0,08 0,04 0,01
1000 10 0,02 0,06 0,00 0,00 0,01 0,01 0,02 0,01 0,04 0,01
20 0,08 0,05 0,01 0,00 0,01 0,01 0,00 0,03 0,05 0,00
30 0,06 0,01 0,14 0,20 0,05 0,04 0,04 0,02 0,01 0,03
40 0,11 0,02 -0,01 -0,01 -0,01 -0,01 -0,02 0,04 0,02 -0,02
50 0,03 -0,02 -0,04 -0,05 -0,04 -0,04 -0,05 0,03 -0,02 -0,05
Media 1000 0,06 0,02 0,02 0,03 0,00 0,00 0,00 0,03 0,02 -0,01
Media general 0,04 0,03 0,04 0,04 0,01 0,01 0,00 0,03 0,02 0,00


100 10 0,02 0,06 0,04 0,02 0,02 0,03 0,00 0,03 0,04 0,00
20 0,00 0,04 0,08 0,02 0,02 0,02 0,02 0,00 0,04 0,00
30 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 0,02 0,02 0,01 0,01 0,00 0,01 0,02 0,00
200 10 0,01 0,04 0,00 0,00 0,01 0,01 0,00 0,02 0,03 0,00
20 0,02 0,07 -0,01 0,01 -0,01 0,01 -0,02 0,06 0,05 -0,03
30 -0,03 -0,01 0,09 0,10 -0,03 -0,07 -0,09 -0,04 -0,03 -0,07
40 0,02 0,02 0,02 0,00 0,00 0,00 0,00 0,02 0,02 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 200 0,01 0,02 0,02 0,02 -0,01 -0,01 -0,02 0,01 0,01 -0,02
500 10 0,00 0,06 0,00 0,00 0,02 0,01 0,00 0,00 0,05 0,00
20 0,02 0,06 0,01 0,00 0,00 0,00 0,00 0,01 0,06 0,00
30 0,29 0,09 0,32 0,32 0,11 0,11 0,11 0,32 0,08 0,09
40 0,03 -0,02 0,10 0,11 -0,02 -0,02 -0,02 0,03 -0,02 -0,02
50 0,00 0,00 -0,03 -0,04 -0,04 -0,04 -0,04 0,01 0,00 -0,04
Media 500 0,07 0,04 0,08 0,08 0,01 0,01 0,01 0,07 0,03 0,01
1000 10 0,01 0,04 0,00 0,00 0,01 0,01 0,01 0,00 0,04 0,00
20 0,02 0,04 0,00 0,00 0,00 0,01 0,00 0,02 0,03 0,00
30 0,04 0,01 0,14 0,20 0,05 0,04 0,04 0,02 0,01 0,02
40 0,04 0,02 -0,01 -0,01 -0,01 -0,01 -0,02 0,02 0,01 -0,02
50 0,02 -0,03 -0,04 -0,05 -0,05 -0,05 -0,05 -0,01 -0,03 -0,05
Media 1000 0,03 0,02 0,02 0,03 0,00 0,00 0,00 0,01 0,01 -0,01
Media general 0,03 0,02 0,04 0,04 0,00 0,00 0,00 0,03 0,02 -0,01


100 10 0,02 0,05 0,04 0,02 0,01 0,03 0,00 0,01 0,02 0,00
20 0,00 0,04 0,08 0,02 0,02 0,02 0,00 0,00 0,04 0,00
30 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 0,02 0,01 0,01 0,01 0,00 0,00 0,01 0,00
200 10 0,01 0,03 0,00 0,00 0,01 0,01 0,00 0,02 0,02 0,00
20 0,01 0,05 -0,01 0,01 -0,01 0,01 -0,02 0,04 0,03 -0,03
30 -0,04 -0,01 0,09 0,10 -0,03 -0,07 -0,09 -0,04 -0,03 -0,10
40 0,02 0,02 0,02 0,00 0,00 0,00 0,00 0,02 0,02 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 200 0,00 0,02 0,02 0,02 -0,01 -0,01 -0,02 0,01 0,01 -0,03
500 10 0,00 0,04 0,00 0,00 0,02 0,01 0,00 0,00 0,04 0,00
20 0,02 0,06 0,01 0,00 0,00 0,00 0,00 0,01 0,04 -0,02
30 0,23 0,08 0,29 0,32 0,11 0,11 0,11 0,19 0,08 0,08
40 0,03 -0,02 0,08 0,09 -0,02 -0,02 -0,02 0,03 -0,02 -0,03
50 -0,02 -0,01 -0,03 -0,04 -0,04 -0,04 -0,04 0,00 -0,01 -0,04
Media 500 0,05 0,03 0,07 0,07 0,01 0,01 0,01 0,05 0,03 0,00
1000 10 0,00 0,03 0,00 0,00 0,01 0,01 0,00 0,00 0,03 0,00
20 0,01 0,03 0,00 0,00 0,00 0,01 0,00 0,01 0,03 0,00
30 0,03 0,00 0,14 0,19 0,05 0,04 0,03 0,02 0,00 0,02
40 0,02 0,01 -0,01 -0,02 -0,01 -0,01 -0,02 0,01 0,00 -0,03
50 0,00 -0,03 -0,04 -0,05 -0,05 -0,05 -0,05 -0,03 -0,03 -0,06
Media 1000 0,01 0,01 0,02 0,02 0,00 0,00 -0,01 0,00 0,00 -0,01
Media general 0,02 0,02 0,03 0,03 0,00 0,00 -0,01 0,01 0,01 -0,01


100 10 0,02 0,04 0,04 0,02 0,01 0,01 0,00 0,00 0,02 0,00
20 0,00 0,04 0,08 0,02 0,02 0,02 0,00 0,00 0,04 0,00
30 0,00 0,00 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00
40 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 0,02 0,02 0,01 0,01 0,01 0,00 0,00 0,01 0,00
200 10 0,01 0,02 0,00 0,00 0,01 0,00 0,00 0,01 0,02 0,00
20 0,01 0,04 -0,01 0,01 -0,01 0,00 -0,02 0,02 0,03 -0,03
30 -0,04 -0,01 0,03 0,09 -0,06 -0,07 -0,09 -0,04 -0,03 -0,10
40 0,02 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 200 0,00 0,01 0,01 0,02 -0,01 -0,01 -0,02 0,00 0,01 -0,03
500 10 0,00 0,04 0,00 0,00 0,01 0,01 0,00 0,00 0,04 0,00
20 0,02 0,05 0,01 0,00 0,00 0,00 0,00 0,00 0,04 -0,02
30 0,20 0,08 0,12 0,20 0,11 0,11 0,11 0,14 0,08 0,08
40 0,02 -0,02 0,01 0,03 -0,02 -0,02 -0,02 0,02 -0,02 -0,03
50 -0,02 -0,01 -0,03 -0,04 -0,04 -0,04 -0,04 0,00 -0,01 -0,04
Media 500 0,04 0,03 0,02 0,04 0,01 0,01 0,01 0,03 0,03 0,00
1000 10 0,00 0,03 0,00 0,00 0,01 0,01 0,00 0,00 0,03 0,00
20 0,00 0,03 0,00 0,00 0,00 0,01 0,00 0,00 0,03 0,00
30 0,03 0,00 0,12 0,17 0,04 0,03 0,03 0,02 0,00 0,02
40 0,02 0,01 -0,01 -0,02 -0,01 -0,01 -0,02 0,01 0,00 -0,03
50 0,00 -0,03 -0,04 -0,05 -0,05 -0,05 -0,05 -0,03 -0,03 -0,06
Media 1000 0,01 0,01 0,01 0,02 0,00 0,00 -0,01 0,00 0,00 -0,01
Media general 0,01 0,02 0,02 0,02 0,00 0,00 -0,01 0,01 0,01 -0,01


100 10 0,03 0,02 0,02 0,03 0,02 0,02 0,01 0,03 0,02 0,02
20 0,02 0,01 0,02 0,01 0,00 0,01 0,01 0,02 0,01 0,01
30 0,10 -0,01 0,04 0,05 -0,02 -0,01 -0,01 0,02 -0,02 -0,02
40 0,13 -0,01 0,05 0,07 0,00 0,00 0,00 0,06 -0,01 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
Media 100 0,06 0,00 0,03 0,03 0,00 0,00 0,00 0,03 0,00 0,00
200 10 0,02 0,04 0,02 0,02 0,01 0,02 0,01 0,03 0,04 0,01
20 0,04 0,05 0,02 0,01 0,03 0,03 0,04 0,04 0,05 0,02
30 0,08 -0,12 -0,03 -0,02 -0,10 -0,10 -0,10 0,01 -0,12 -0,10
40 0,03 0,01 0,05 0,00 0,00 0,00 0,01 0,04 0,01 -0,01
50 0,06 0,02 0,04 0,00 0,00 0,00 0,00 0,05 0,02 0,00
Media 200 0,05 0,00 0,02 0,00 -0,01 -0,01 -0,01 0,03 0,00 -0,02
500 10 0,05 0,04 0,01 0,01 0,01 0,01 0,00 0,03 0,04 0,00
20 0,08 0,03 0,01 0,01 0,00 0,00 0,01 0,06 0,03 0,01
30 0,02 0,01 0,11 0,13 0,02 0,02 0,02 0,01 0,01 0,02
40 0,03 0,01 0,08 0,07 0,02 0,02 0,02 0,02 0,01 0,02
50 0,08 0,04 0,01 0,00 0,01 0,03 0,02 0,06 0,04 0,02
Media 500 0,05 0,03 0,04 0,05 0,01 0,01 0,01 0,04 0,03 0,01
1000 10 0,06 0,03 0,01 0,02 0,01 0,01 0,01 0,03 0,03 0,01
20 0,10 0,04 0,02 0,02 0,00 0,00 0,00 0,08 0,04 0,00
30 0,13 0,05 0,13 0,13 0,05 0,05 0,05 0,06 0,04 0,05
40 0,07 0,04 0,05 0,05 0,00 0,00 0,00 0,07 0,04 0,01
50 0,06 0,04 0,04 0,05 0,00 0,00 0,00 0,06 0,03 0,01
Media 1000 0,08 0,04 0,05 0,05 0,01 0,01 0,01 0,06 0,04 0,02
Media general 0,06 0,02 0,04 0,03 0,00 0,01 0,00 0,04 0,02 0,00


100 10 0,02 0,02 0,02 0,03 0,01 0,02 0,01 0,01 0,01 0,02
20 0,01 0,01 0,02 0,00 0,00 0,01 0,01 0,01 0,01 0,01
30 0,06 -0,01 0,04 0,05 -0,02 -0,01 -0,01 0,01 -0,02 -0,02
40 0,07 -0,01 0,05 0,05 0,00 0,00 0,00 0,03 -0,01 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
Media 100 0,03 0,00 0,03 0,03 0,00 0,00 0,00 0,02 0,00 0,00
200 10 0,02 0,03 0,02 0,02 0,01 0,01 0,01 0,02 0,03 0,01
20 0,03 0,04 0,01 0,01 0,02 0,02 0,03 0,03 0,04 0,02
30 0,05 -0,12 -0,03 -0,02 -0,10 -0,10 -0,10 0,00 -0,12 -0,10
40 0,02 0,01 0,05 0,00 -0,01 0,00 0,01 0,02 0,01 -0,01
50 0,02 0,01 0,04 0,00 -0,01 0,00 0,00 0,03 0,01 -0,01
Media 200 0,03 -0,01 0,02 0,00 -0,02 -0,01 -0,01 0,02 -0,01 -0,02
500 10 0,02 0,03 0,00 0,01 0,01 0,00 0,00 0,01 0,03 0,00
20 0,06 0,03 0,00 0,00 0,00 0,00 0,00 0,03 0,03 0,00
30 0,01 0,01 0,11 0,12 0,02 0,02 0,02 0,01 0,01 0,02
40 0,02 0,01 0,08 0,07 0,02 0,02 0,02 0,01 0,01 0,02
50 0,07 0,03 0,00 -0,01 0,00 0,02 0,01 0,05 0,03 0,01
Media 500 0,04 0,02 0,04 0,04 0,01 0,01 0,01 0,02 0,02 0,01
1000 10 0,04 0,03 0,01 0,01 0,00 0,01 0,00 0,02 0,03 0,00
20 0,09 0,04 0,01 0,01 0,00 0,00 0,00 0,06 0,04 0,00
30 0,10 0,04 0,12 0,12 0,05 0,05 0,05 0,06 0,04 0,05
40 0,07 0,03 0,01 0,01 -0,01 -0,01 -0,01 0,06 0,03 0,01
50 0,06 0,03 0,00 0,00 0,00 0,00 -0,01 0,06 0,03 0,01
Media 1000 0,07 0,03 0,03 0,03 0,01 0,01 0,01 0,05 0,03 0,01
Media general 0,04 0,01 0,03 0,02 0,00 0,00 0,00 0,03 0,01 0,00


100 10 0,02 0,01 0,02 0,02 0,01 0,01 0,01 0,01 0,01 0,02
20 0,01 0,01 0,02 0,00 0,00 0,01 0,01 0,00 0,01 0,00
30 0,03 -0,02 0,03 0,04 -0,02 -0,01 -0,02 0,00 -0,02 -0,02
40 0,04 -0,01 0,05 0,04 0,00 0,00 0,00 0,02 -0,01 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
Media 100 0,02 0,00 0,02 0,02 0,00 0,00 0,00 0,01 0,00 0,00
200 10 0,01 0,03 0,02 0,01 0,01 0,01 0,01 0,02 0,02 0,01
20 0,02 0,04 0,01 0,01 0,01 0,02 0,02 0,02 0,04 0,01
30 0,05 -0,13 -0,03 -0,02 -0,10 -0,10 -0,10 -0,01 -0,13 -0,10
40 0,01 0,00 0,04 0,00 -0,01 0,00 0,00 0,00 0,00 -0,01
50 0,01 0,00 0,04 0,00 -0,01 0,00 0,00 0,00 0,00 -0,01
Media 200 0,02 -0,01 0,02 0,00 -0,02 -0,01 -0,02 0,01 -0,01 -0,02
500 10 0,01 0,03 0,00 0,01 0,00 0,00 0,00 0,00 0,03 0,00
20 0,03 0,03 0,00 0,00 0,00 -0,01 0,00 0,01 0,03 0,00
30 0,01 0,01 0,10 0,09 0,02 0,01 0,01 0,01 0,01 0,02
40 0,01 0,00 0,06 0,06 0,02 0,02 0,02 0,01 0,00 0,02
50 0,05 0,02 0,00 -0,01 0,00 0,01 0,00 0,03 0,02 0,00
Media 500 0,02 0,02 0,03 0,03 0,01 0,01 0,01 0,01 0,02 0,01
1000 10 0,03 0,02 0,00 0,00 0,00 0,00 0,00 0,01 0,02 0,00
20 0,06 0,03 0,00 0,00 -0,01 0,00 0,00 0,05 0,03 -0,01
30 0,06 0,04 0,12 0,11 0,05 0,05 0,05 0,05 0,03 0,05
40 0,07 0,03 0,00 0,00 -0,01 -0,01 -0,01 0,04 0,02 -0,01
50 0,06 0,02 0,00 0,00 -0,01 0,00 -0,01 0,04 0,02 0,00
Media 1000 0,05 0,03 0,02 0,02 0,01 0,01 0,01 0,04 0,03 0,01
Media general 0,03 0,01 0,02 0,02 0,00 0,00 0,00 0,02 0,01 0,00


100 10 0,01 0,01 0,01 0,01 0,01 0,01 0,00 0,01 0,00 0,00
20 0,01 0,01 0,02 0,00 0,00 0,01 0,00 0,00 0,01 0,00
30 0,02 -0,02 0,02 0,02 -0,02 -0,01 -0,02 -0,01 -0,02 -0,02
40 0,03 -0,01 0,03 0,04 0,00 0,00 0,00 0,01 -0,01 0,00
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
Media 100 0,01 0,00 0,02 0,02 0,00 0,00 0,00 0,00 0,00 -0,01
200 10 0,01 0,03 0,01 0,01 0,01 0,01 0,01 0,01 0,02 0,01
20 0,01 0,03 0,01 0,01 0,01 0,01 0,00 0,02 0,03 0,00
30 0,02 -0,13 -0,03 -0,02 -0,10 -0,10 -0,10 -0,05 -0,13 -0,10
40 0,00 -0,01 0,04 -0,01 -0,01 -0,01 -0,01 0,00 -0,01 -0,01
50 0,00 0,00 0,04 0,00 -0,01 0,00 -0,01 0,00 0,00 -0,01
Media 200 0,01 -0,02 0,01 0,00 -0,02 -0,02 -0,02 -0,01 -0,02 -0,02
500 10 0,01 0,02 0,00 0,01 0,00 0,00 0,00 0,00 0,02 0,00
20 0,01 0,02 0,00 0,00 0,00 -0,01 -0,01 0,01 0,02 -0,01
30 0,01 0,00 0,10 0,07 0,02 0,01 0,01 0,01 0,00 0,02
40 0,01 0,00 0,06 0,06 0,02 0,02 0,02 0,00 0,00 0,02
50 0,03 0,02 -0,01 -0,01 0,00 0,00 -0,01 0,02 0,02 -0,01
Media 500 0,01 0,01 0,03 0,02 0,01 0,01 0,00 0,01 0,01 0,00
1000 10 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00
20 0,05 0,03 0,00 0,00 -0,01 0,00 0,00 0,04 0,03 -0,01
30 0,05 0,03 0,11 0,09 0,05 0,04 0,05 0,03 0,03 0,05
40 0,05 0,02 -0,01 -0,01 -0,01 -0,01 -0,01 0,03 0,02 -0,01
50 0,05 0,02 -0,01 -0,01 -0,01 -0,01 -0,01 0,03 0,02 -0,01
Media 1000 0,04 0,02 0,02 0,01 0,01 0,01 0,01 0,03 0,02 0,00
Media general 0,02 0,00 0,02 0,01 0,00 0,00 0,00 0,01 0,00 -0,01

de los algoritmos de reducción de tamaño para 120 segun-
dos como tiempo de parada.

100 10 0,00 0,01 0,01 0,01 0,01 0,01 0,00 0,01 0,00 0,00
20 0,00 0,01 0,02 0,00 0,00 0,01 0,00 0,00 0,00 0,00
30 0,01 -0,02 0,01 0,02 -0,02 -0,01 -0,02 -0,01 -0,02 -0,02
40 0,01 -0,02 0,03 0,04 0,00 0,00 0,00 0,01 -0,02 -0,01
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00
Media 100 0,01 -0,01 0,02 0,01 0,00 0,00 0,00 0,00 -0,01 -0,01
200 10 0,01 0,03 0,01 0,01 0,01 0,01 0,00 0,01 0,02 0,00
20 0,01 0,02 0,00 0,00 0,01 0,01 0,00 0,01 0,02 0,00
30 -0,03 -0,14 -0,03 -0,02 -0,10 -0,10 -0,10 -0,07 -0,14 -0,10
40 -0,01 -0,01 0,04 -0,01 -0,01 -0,01 -0,01 0,00 -0,01 -0,01
50 0,00 0,00 0,04 0,00 -0,01 0,00 -0,01 0,00 0,00 -0,01
Media 200 0,00 -0,02 0,01 0,00 -0,02 -0,02 -0,03 -0,01 -0,02 -0,03
500 10 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00
20 0,01 0,02 0,00 0,00 0,00 -0,01 -0,01 0,01 0,02 -0,01
30 0,00 -0,01 0,09 0,05 0,02 0,01 0,01 0,01 -0,01 0,01
40 0,01 -0,01 0,05 0,06 0,02 0,01 0,02 0,00 -0,01 0,01
50 0,02 0,02 -0,01 -0,01 0,00 0,00 -0,01 0,01 0,02 -0,01
Media 500 0,01 0,01 0,03 0,02 0,01 0,00 0,00 0,01 0,01 0,00
1000 10 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00
20 0,02 0,02 0,00 -0,01 -0,01 0,00 -0,01 0,01 0,02 -0,01
30 0,03 0,03 0,10 0,09 0,05 0,04 0,04 0,02 0,02 0,05
40 0,04 0,02 -0,01 -0,01 -0,01 -0,01 -0,01 0,02 0,02 -0,01
50 0,04 0,02 -0,01 -0,01 -0,01 -0,01 -0,01 0,02 0,01 -0,01
Media 1000 0,03 0,02 0,02 0,01 0,01 0,00 0,00 0,02 0,02 0,00
Media general 0,01 0,00 0,02 0,01 0,00 0,00 -0,01 0,00 0,00 -0,01


100 10 0,00 0,00 0,01 0,01 0,00 0,00 0,00 0,00 0,00 0,00
20 0,00 0,01 0,02 0,00 0,00 0,01 0,00 0,00 0,00 0,00
30 0,00 -0,02 0,01 0,02 -0,02 -0,02 -0,02 -0,01 -0,02 -0,02
40 0,01 -0,02 0,03 0,03 -0,01 0,00 0,00 0,01 -0,02 -0,01
50 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
Media 100 0,00 -0,01 0,01 0,01 0,00 0,00 0,00 0,00 -0,01 -0,01
200 10 0,00 0,02 0,01 0,01 0,01 0,01 0,00 0,01 0,02 0,00
20 0,01 0,02 0,00 0,00 0,00 0,00 0,00 0,01 0,02 0,00
30 -0,06 -0,14 -0,03 -0,02 -0,10 -0,10 -0,10 -0,09 -0,14 -0,10
40 -0,01 -0,01 0,03 -0,01 -0,01 -0,01 -0,01 0,00 -0,01 -0,01
50 0,00 0,00 0,04 -0,01 -0,01 0,00 -0,01 0,00 0,00 -0,01
Media 200 -0,01 -0,02 0,01 -0,01 -0,02 -0,02 -0,03 -0,02 -0,02 -0,03
500 10 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00
20 0,00 0,02 0,00 -0,01 -0,01 -0,01 -0,01 0,01 0,02 -0,01
30 0,00 -0,01 0,05 0,02 0,01 0,01 0,01 0,01 -0,01 0,01
40 0,00 -0,01 0,05 0,05 0,02 0,01 0,02 0,00 -0,01 0,01
50 0,02 0,02 -0,01 -0,01 0,00 -0,01 -0,01 0,01 0,02 -0,01
Media 500 0,01 0,01 0,02 0,01 0,00 0,00 0,00 0,00 0,01 0,00
1000 10 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00
20 0,02 0,02 0,00 -0,01 -0,01 0,00 -0,01 0,01 0,02 -0,01
30 0,03 0,03 0,09 0,08 0,05 0,03 0,04 0,02 0,02 0,04
40 0,03 0,02 -0,01 -0,01 -0,01 -0,01 -0,01 0,01 0,02 -0,01
50 0,03 0,01 -0,01 -0,01 -0,01 -0,01 -0,01 0,02 0,01 -0,01
Media 1000 0,02 0,02 0,01 0,01 0,01 0,00 0,00 0,01 0,02 0,00
Media general 0,01 0,00 0,01 0,01 0,00 0,00 -0,01 0,00 0,00 -0,01

D.2. ANOVAS de algoritmos de reducción de tamaño

1,5
1,2
0,9
RPD
0,6
0,3
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG
Figura D.1 – Gráfico de medias de los algoritmos de re-

ducción de tamaño para el intervalo U(1,100) y 15 segun-
dos.
D.2. ANOVAS de algoritmos de reducción de tamaño 373

1,4
1,1
0,8
RPD
0,5
0,2
-0,1
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

1,3
0,7
RPD
0,4
0,1
-0,2
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

1,2
0,9
0,6
RPD
0,3
-0,3
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,9
0,7
0,5
RPD
0,3
0,1
-0,1
-0,3
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,9
0,7
0,5
RPD
0,3
0,1
-0,1
-0,3
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,95
0,75
0,55
RPD
0,35
0,15
-0,05
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,66
0,46
RPD
0,26
0,06
-0,14
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,62
0,42
RPD
0,22
0,02
-0,18
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

dos.

0,55
0,35
RPD
0,15
-0,05
-0,25
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG
Figura D.10 – Gráfico de medias de los algoritmos de

reducción de tamaño para el intervalo U(10,100) y 120
segundos.

0,52
0,32
RPD
0,12
-0,08
-0,28
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,32
0,22
0,12
RPD
0,02
-0,08
-0,18
-0,28
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

1,7
1,4
1,1
RPD
0,8
0,5
0,2
-0,1
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

reducción de tamaño para el intervalo Trabajos correlacio-
nados y 15 segundos.

1,4
1
RPD
0,6
0,2
-0,2
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG


1,3
0,9
RPD
0,5
0,1
-0,3
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG


1,2
0,8
RPD
0,4
-0,4
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG


1,1
0,8
0,5
RPD
0,2
-0,1
-0,4
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG


1,1
0,7
RPD
0,3
-0,1
-0,5
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG


0,6
0,5
0,4
RPD
0,3
0,2
0,1
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG

reducción de tamaño (excepto 3J y 3J2M) para el intervalo
Máquinas correlacionadas y 15 segundos.

0,6
0,5
0,4
RPD
0,3
0,2
0,1
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG


0,6
0,5
0,4
RPD
0,3
0,2
0,1
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG


0,6
0,5
0,4
RPD
0,3
0,2
0,1
0 2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG


0,47
0,37
0,27
RPD
0,17
0,07
-0,03
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG


0,46
0,36
0,26
RPD
0,16
0,06
-0,04
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3JD
M-DIG
DIG


0,8
0,6
RPD
0,4
0,2
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,5
0,4
0,3
RPD
0,2
0,1
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,4
0,3
RPD
0,2
0,1
0
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,36
0,26
RPD
0,16
0,06
-0,04
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,34
0,24
RPD
0,14
0,04
-0,06
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,24
0,19
0,14
RPD
0,09
0,04
-0,01
-0,06
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

0,11
0,09
0,07
RPD
0,05
0,03
0,01
-0,01
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
88
68
48
RPD
28
-12
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
66
46
RPD
26
-14
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
61
41
RPD
21
-19
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
58
38
RPD
18
-2
-22
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
39
29
19
RPD
9
-1
-11
-21
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
75
55
RPD
35
15
-5
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
53
43
33
RPD
23
13
3
-7
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
42
32
22
RPD
12
-8
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
27
17
RPD
-3
-13
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
26
16
RPD
-4
-14
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.

(X 0,001)
26
16
RPD
-4
-14
2JDi(90)
M-2JDi(90)
2JDi
CPLEX
M-CPLEX
3J2M
3JD
3J
M-DIG
DIG

segundos.
ANEXO
E
TABLAS Y ANOVAS PARA EL PROBLEMA DE
MÁQUINAS OPCIONALES
En este anexo presentaremos todas las tablas porcentuales de las diferen-

cias con los mejores resultados obtenidos, así como sus ANOVAS correspon-
dientes. Todo ello para los siete intervalos de tiempos de proceso estudiados
estudiados, a saber U(1,100), U(10,100), trabajos correlacionados, máquinas
correlacionadas, U(100,200), U(100,120) y U(1000,1100), para los tiempos de
ejecución de 300 segundos y 60 segundos y para los porcentajes de máquinas
sin usar de 20 %, 50 % y 80 %.
395
396 ANEXO E. TABLAS Y ANOVAS DE NAM
E.1. Tablas para un 50 % de máquinas sin usar
n m CPLEX NAM+CPLEX NAM+ST+DIG NAM+ST+CPLEX

100 10 0,00 0,00 0,06 0,00
100 20 2,28 0,49 3,34 0,79
100 30 2,67 0,53 4,31 1,05
100 40 2,42 1,93 3,21 0,43
100 50 1,96 5,40 9,45 4,01
200 10 0,00 0,00 0,27 0,00
200 20 3,73 0,12 1,04 0,18
200 30 7,77 0,27 2,00 0,13
200 40 9,97 1,80 1,83 0,00
200 50 11,80 1,37 3,03 0,00
500 10 0,32 0,00 0,02 0,00
500 20 4,42 0,26 0,16 0,05
500 30 7,91 1,52 0,81 0,05
500 40 9,64 2,39 0,79 0,00
500 50 10,71 2,88 1,30 0,00
1000 10 0,67 0,00 0,02 0,00
1000 20 3,92 0,11 0,29 0,06
1000 30 6,73 0,27 0,71 0,12
1000 40 6,81 0,66 0,41 0,00
1000 50 8,49 1,01 0,51 0,00
Media 5,11 1,05 1,68 0,34
Tabla E.1 – Tabla porcentual de la media de las diferen-

cias respecto al mejor resultado obtenido para el intervalo
U(1,100) y 50 % de máquinas quitadas con 300 segundos.
E.1. Tablas para un 50 % de máquinas sin usar 397

100 10 0,00 0,00 0,06 0,00
100 20 5,79 0,62 3,34 1,01
100 30 7,41 3,84 4,31 1,05
100 40 9,52 8,09 3,21 0,99
100 50 11,24 8,75 9,45 4,73
200 10 0,07 0,00 0,27 0,00
200 20 7,25 1,49 1,04 0,30
200 30 11,31 2,44 2,00 0,92
200 40 16,62 5,28 1,83 1,11
200 50 19,06 5,06 3,03 1,72
500 10 2,95 0,00 0,02 0,00
500 20 7,21 0,74 0,16 0,16
500 30 11,06 3,24 0,81 1,48
500 40 13,20 3,80 0,79 2,03
500 50 24,79 4,19 1,30 2,11
1000 10 1,85 0,00 0,02 0,00
1000 20 6,65 0,91 0,29 0,77
1000 30 15,38 1,19 0,71 1,07
1000 40 27,68 1,65 0,41 0,66
1000 50 58,42 1,53 0,51 0,63
Media 12,87 2,64 1,68 1,04


100 10 0,00 0,00 0,11 0,00
100 20 2,25 0,00 0,86 0,06
100 30 3,61 0,10 1,82 0,21
100 40 3,75 0,76 1,21 0,30
100 50 4,55 0,94 1,51 0,00
200 10 0,01 0,00 0,14 0,00
200 20 1,95 0,30 0,18 0,09
200 30 4,28 1,32 0,53 0,00
200 40 4,51 1,80 0,38 0,15
200 50 5,53 0,79 0,00 0,79
500 10 0,18 0,00 0,07 0,00
500 20 2,58 0,18 0,10 0,03
500 30 3,29 0,76 0,12 0,04
500 40 4,81 0,87 0,18 0,03
500 50 5,14 0,44 0,08 0,16
1000 10 1,05 0,00 0,03 0,00
1000 20 2,36 0,10 0,09 0,01
1000 30 2,97 0,65 0,39 0,00
1000 40 3,36 0,55 0,27 0,00
1000 50 2,56 0,26 0,12 0,04
Media 2,94 0,49 0,41 0,10


100 10 0,02 0,00 0,11 0,00
100 20 3,96 0,85 0,84 0,42
100 30 5,82 1,99 1,82 0,75
100 40 6,01 1,81 1,05 0,90
100 50 7,94 0,94 1,71 1,30
200 10 0,33 0,00 0,15 0,00
200 20 3,81 0,96 0,33 0,18
200 30 6,36 1,89 0,58 0,63
200 40 6,70 2,18 0,53 0,75
200 50 10,87 1,58 0,40 1,88
500 10 2,08 0,04 0,07 0,03
500 20 4,51 0,74 0,21 0,21
500 30 5,50 1,09 0,60 0,37
500 40 5,72 1,21 0,60 0,69
500 50 41,98 1,03 0,47 0,51
1000 10 1,87 0,01 0,04 0,00
1000 20 3,30 0,37 0,38 0,26
1000 30 22,49 1,11 0,66 0,57
1000 40 30,78 1,01 0,48 0,54
1000 50 35,84 0,73 0,30 0,49
Media 10,29 0,98 0,57 0,52


100 10 0,02 0,01 0,28 0,11
100 20 0,66 0,16 0,00 0,39
100 30 1,92 0,20 0,09 0,69
100 40 2,79 0,46 0,04 0,94
100 50 3,28 0,78 0,00 1,36
200 10 0,01 0,00 0,14 0,10
200 20 0,45 0,01 0,04 0,21
200 30 0,75 0,10 0,10 0,44
200 40 1,05 0,22 0,02 0,41
200 50 1,51 0,60 0,00 0,72
500 10 0,19 0,00 0,07 0,04
500 20 0,35 0,02 0,03 0,08
500 30 0,45 0,05 0,02 0,13
500 40 0,78 0,14 0,01 0,18
500 50 0,98 0,23 0,00 0,26
1000 10 0,28 0,00 0,03 0,01
1000 20 0,59 0,02 0,05 0,03
1000 30 3,46 0,02 0,05 0,05
1000 40 8,87 0,08 0,00 0,10
1000 50 44,69 0,11 0,04 0,13
Media 3,65 0,16 0,05 0,32
Tabla E.5 – Tabla porcentual de la media de las diferencias

respecto al mejor resultado obtenido para el intervalo Tra-
bajos Correlacionados y 50 % de máquinas quitadas con
300 segundos.

100 10 0,09 0,06 0,34 0,11
100 20 0,99 0,24 0,16 0,39
100 30 2,15 0,61 0,29 0,69
100 40 3,18 0,89 0,22 0,94
100 50 4,23 1,32 0,48 1,36
200 10 0,31 0,02 0,15 0,10
200 20 0,67 0,15 0,08 0,22
200 30 1,53 0,37 0,16 0,47
200 40 2,62 0,57 0,14 0,43
200 50 3,83 1,01 0,17 0,72
500 10 0,47 0,01 0,08 0,04
500 20 0,66 0,08 0,05 0,09
500 30 7,81 0,14 0,10 0,13
500 40 19,03 0,21 0,05 0,18
500 50 45,76 0,35 0,08 0,26
1000 10 0,51 0,00 0,03 0,01
1000 20 19,85 0,05 0,06 0,03
1000 30 33,43 0,08 0,10 0,05
1000 40 34,35 0,25 0,05 0,10
1000 50 56,62 0,37 0,08 0,13
Media 11,90 0,34 0,14 0,32

respecto al mejor resultado obtenido para el intervalo Tra-
bajos Correlacionados y 50 % de máquinas quitadas con 60
segundos.

100 10 0,03 0,00 0,25 0,00
100 20 0,09 0,00 0,69 0,00
100 30 0,00 0,00 1,37 0,00
100 40 0,00 0,00 0,39 0,00
100 50 0,00 0,00 0,25 0,14
200 10 0,03 0,00 0,28 0,02
200 20 0,21 0,07 0,64 0,04
200 30 0,12 0,00 0,73 0,04
200 40 0,18 0,05 0,64 0,06
200 50 0,22 0,00 0,81 0,00
500 10 0,32 0,01 0,31 0,01
500 20 0,24 0,05 0,58 0,10
500 30 0,55 0,00 0,71 0,08
500 40 1,81 0,00 0,89 0,24
500 50 3,96 0,00 0,85 0,21
1000 10 0,16 0,00 0,55 0,00
1000 20 1,01 0,01 0,71 0,03
1000 30 2,94 0,02 0,77 0,12
1000 40 6,60 0,05 0,65 0,04
1000 50 6,51 0,01 0,78 0,06
Media 1,25 0,01 0,64 0,06

respecto al mejor resultado obtenido para el intervalo Má-
quinas Correlacionados y 50 % de máquinas quitadas con
300 segundos.

100 10 0,03 0,00 0,27 0,00
100 20 0,09 0,04 0,81 0,00
100 30 0,17 0,07 1,34 0,00
100 40 0,00 0,00 0,39 0,00
100 50 0,00 0,00 0,52 0,25
200 10 0,06 0,00 0,40 0,03
200 20 0,35 0,32 0,71 0,26
200 30 0,45 0,09 0,91 0,53
200 40 0,47 0,25 0,87 0,40
200 50 1,60 0,15 1,00 0,34
500 10 0,81 0,02 0,40 0,01
500 20 1,61 0,21 0,66 0,16
500 30 4,56 1,16 0,79 0,20
500 40 3,61 0,92 0,99 0,43
500 50 8,23 1,41 0,95 0,45
1000 10 0,82 0,01 0,59 0,00
1000 20 3,76 0,09 0,76 0,04
1000 30 13,94 0,24 0,85 0,27
1000 40 17,49 0,44 0,78 0,31
1000 50 16,53 0,44 0,87 0,39
Media 3,73 0,29 0,74 0,20

respecto al mejor resultado obtenido para el intervalo Má-
quinas Correlacionados y 50 % de máquinas quitadas con
60 segundos.

100 10 0,04 0,00 0,19 0,00
100 20 1,15 0,02 0,46 0,07
100 30 1,68 0,01 0,40 0,04
100 40 1,11 0,27 0,31 0,04
100 50 1,37 0,31 0,51 0,17
200 10 0,02 0,00 0,12 0,03
200 20 1,22 0,06 0,36 0,10
200 30 1,33 0,24 0,23 0,38
200 40 1,51 0,15 0,12 0,01
200 50 2,12 0,21 0,30 0,04
500 10 0,33 0,01 0,06 0,00
500 20 0,73 0,16 0,13 0,03
500 30 1,29 0,10 0,11 0,30
500 40 2,79 0,08 0,22 0,03
500 50 2,98 0,06 0,26 0,01
1000 10 0,34 0,01 0,01 0,00
1000 20 0,83 0,10 0,06 0,05
1000 30 0,96 0,05 0,12 0,12
1000 40 11,67 0,05 0,10 0,18
1000 50 32,99 0,10 0,09 0,08
Media 3,32 0,10 0,21 0,08

U(100,200) y 50 % de máquinas quitadas con 300 segun-
dos.

100 10 0,19 0,00 0,20 0,04
100 20 1,78 0,26 0,59 0,21
100 30 2,04 0,12 0,48 0,65
100 40 2,26 0,42 0,35 0,15
100 50 3,40 0,58 0,58 0,39
200 10 0,23 0,08 0,13 0,05
200 20 1,85 0,41 0,45 0,28
200 30 2,05 0,84 0,31 0,86
200 40 4,82 0,29 0,22 0,11
200 50 6,99 0,29 0,41 0,24
500 10 0,81 0,03 0,06 0,03
500 20 1,43 0,23 0,15 0,13
500 30 18,84 0,40 0,25 0,36
500 40 35,12 0,40 0,31 0,17
500 50 34,13 0,55 0,27 0,34
1000 10 0,78 0,02 0,02 0,02
1000 20 22,55 0,26 0,11 0,11
1000 30 41,66 0,34 0,16 0,34
1000 40 31,51 0,48 0,18 0,40
1000 50 45,24 0,55 0,18 0,37
Media 12,88 0,33 0,27 0,26


100 10 0,02 0,00 0,09 0,00
100 20 0,22 0,03 0,06 0,00
100 30 0,47 0,04 0,06 0,04
100 40 0,30 0,04 0,06 0,02
100 50 0,15 0,07 0,12 0,00
200 10 0,03 0,00 0,05 0,00
200 20 0,26 0,08 0,05 0,01
200 30 0,25 0,09 0,04 0,02
200 40 0,42 0,06 0,09 0,00
200 50 0,46 0,04 0,06 0,01
500 10 0,17 0,00 0,03 0,01
500 20 0,34 0,04 0,05 0,00
500 30 0,25 0,03 0,02 0,14
500 40 0,71 0,01 0,02 0,01
500 50 0,64 0,01 0,02 0,01
1000 10 0,24 0,00 0,03 0,03
1000 20 0,72 0,03 0,04 0,01
1000 30 4,68 0,07 0,00 0,07
1000 40 29,60 0,02 0,02 0,02
1000 50 47,97 0,01 0,00 0,01
Media 4,40 0,03 0,05 0,02

dos.

100 10 0,07 0,00 0,10 0,00
100 20 0,42 0,03 0,08 0,02
100 30 0,48 0,04 0,09 0,17
100 40 0,60 0,08 0,06 0,02
100 50 0,65 0,12 0,15 0,12
200 10 0,16 0,00 0,05 0,00
200 20 0,46 0,13 0,06 0,06
200 30 0,68 0,18 0,06 0,16
200 40 1,35 0,13 0,11 0,09
200 50 1,31 0,12 0,10 0,10
500 10 0,35 0,01 0,03 0,03
500 20 7,17 0,06 0,05 0,05
500 30 25,21 0,08 0,06 0,14
500 40 40,11 0,06 0,05 0,04
500 50 48,88 0,03 0,03 0,05
1000 10 9,26 0,01 0,04 0,04
1000 20 20,91 0,05 0,06 0,05
1000 30 32,46 0,08 0,03 0,08
1000 40 33,49 0,11 0,04 0,09
1000 50 60,01 0,09 0,02 0,09
Media 14,20 0,07 0,06 0,07


100 10 0,01 0,00 0,03 0,00
100 20 0,18 0,01 0,03 0,01
100 30 0,21 0,02 0,02 0,02
100 40 0,17 0,02 0,02 0,01
100 50 0,23 0,01 0,02 0,01
200 10 0,01 0,00 0,02 0,00
200 20 0,15 0,03 0,02 0,01
200 30 0,10 0,04 0,01 0,06
200 40 0,20 0,02 0,01 0,00
200 50 0,36 0,03 0,01 0,01
500 10 0,04 0,00 0,02 0,00
500 20 0,16 0,01 0,01 0,00
500 30 0,12 0,02 0,03 0,03
500 40 0,15 0,02 0,01 0,00
500 50 0,13 0,02 0,01 0,00
1000 10 0,12 0,01 0,01 0,00
1000 20 0,90 0,01 0,01 0,00
1000 30 0,09 0,03 0,00 0,02
1000 40 0,12 0,02 0,01 0,00
1000 50 0,11 0,02 0,00 0,01
Media 0,18 0,02 0,01 0,01

U(1000,1100) y 50 % de máquinas quitadas con 300 se-
gundos.

100 10 0,03 0,00 0,03 0,02
100 20 0,30 0,04 0,05 0,02
100 30 0,27 0,06 0,03 0,07
100 40 0,31 0,05 0,03 0,02
100 50 0,59 0,06 0,03 0,03
200 10 0,09 0,00 0,02 0,01
200 20 0,22 0,04 0,02 0,02
200 30 0,24 0,15 0,01 0,08
200 40 0,38 0,05 0,02 0,04
200 50 3,01 0,06 0,02 0,03
500 10 0,20 0,01 0,02 0,01
500 20 1,99 0,02 0,02 0,01
500 30 0,17 0,07 0,06 0,07
500 40 0,18 0,05 0,02 0,03
500 50 0,14 0,05 0,02 0,03
1000 10 4,67 0,02 0,01 0,01
1000 20 1,43 0,03 0,01 0,02
1000 30 7,62 0,05 0,02 0,03
1000 40 0,14 0,04 0,02 0,02
1000 50 16,80 0,04 0,01 0,02
Media 1,94 0,04 0,02 0,03

dos.

100 10 0,00 0,00 0,61 3,18
100 20 0,00 0,22 2,83 7,86
100 30 0,00 0,50 3,08 8,67
100 40 0,00 1,54 2,37 5,53
100 50 0,00 1,11 4,13 7,35
200 10 0,07 0,00 0,14 1,90
200 20 0,39 0,13 1,57 5,74
200 30 0,88 0,87 2,51 7,54
200 40 1,46 0,93 3,77 10,68
200 50 0,67 0,71 3,22 9,61
500 10 0,02 0,00 0,18 1,12
500 20 0,27 0,37 0,21 2,78
500 30 0,67 1,10 0,79 4,09
500 40 0,19 1,72 1,52 5,88
500 50 0,27 2,76 1,94 7,45
1000 10 0,09 0,00 0,09 0,39
1000 20 0,55 0,18 0,16 1,17
1000 30 0,39 1,15 0,33 2,20
1000 40 1,77 0,56 0,46 3,06
1000 50 3,05 0,00 0,27 3,73
Media 0,54 0,69 1,51 5,00


100 10 0,00 0,00 0,68 3,18
100 20 0,49 0,22 3,29 7,86
100 30 0,00 0,50 4,61 8,24
100 40 0,00 2,25 2,37 5,53
100 50 0,00 1,11 5,13 7,35
200 10 0,14 0,07 0,21 1,90
200 20 1,45 1,42 2,09 5,74
200 30 2,26 1,38 2,51 8,07
200 40 2,86 3,28 4,23 10,68
200 50 2,59 0,71 3,84 10,32
500 10 0,23 0,06 0,26 1,12
500 20 0,79 1,11 0,63 2,78
500 30 1,98 1,87 1,12 4,42
500 40 4,56 2,11 1,90 6,27
500 50 6,30 3,31 2,76 8,83
1000 10 0,40 0,04 0,11 0,40
1000 20 2,98 0,93 0,57 1,30
1000 30 4,95 1,70 0,98 2,79
1000 40 7,06 1,77 1,21 3,90
1000 50 9,07 0,95 0,55 4,15
Media 2,41 1,24 1,95 5,24


100 10 0,04 0,00 0,81 3,09
100 20 0,87 0,00 1,63 4,74
100 30 0,35 0,18 1,06 6,34
100 40 0,48 0,00 0,95 4,97
100 50 0,88 0,00 0,88 5,93
200 10 0,08 0,00 0,37 1,71
200 20 0,11 0,43 0,21 2,47
200 30 1,18 0,27 0,36 3,80
200 40 1,00 0,51 0,25 4,41
200 50 1,16 0,16 0,32 4,74
500 10 0,02 0,02 0,03 0,55
500 20 0,22 0,37 0,02 1,06
500 30 0,77 0,33 0,18 1,91
500 40 0,99 0,21 0,05 2,34
500 50 1,62 0,47 0,13 2,97
1000 10 0,09 0,01 0,04 0,26
1000 20 0,34 0,27 0,03 0,52
1000 30 0,37 0,29 0,11 0,99
1000 40 1,22 0,05 0,08 1,17
1000 50 1,87 0,10 0,20 1,60
Media 0,68 0,18 0,39 2,78


100 10 0,17 0,00 0,85 3,09
100 20 1,74 1,51 1,96 4,85
100 30 0,69 0,70 1,59 6,70
100 40 0,95 0,00 0,71 4,97
100 50 1,19 0,29 0,88 5,93
200 10 0,19 0,12 0,39 1,71
200 20 0,65 1,08 0,32 2,79
200 30 2,26 1,18 0,64 3,98
200 40 2,52 1,51 0,38 4,54
200 50 1,48 0,33 0,65 4,90
500 10 0,21 0,08 0,09 0,55
500 20 0,58 0,71 0,13 1,17
500 30 1,70 0,74 0,44 1,99
500 40 2,55 1,20 0,31 2,39
500 50 3,91 2,02 0,68 3,17
1000 10 0,13 0,02 0,06 0,27
1000 20 1,22 0,51 0,24 0,66
1000 30 1,26 0,88 0,44 1,15
1000 40 2,79 0,84 0,37 1,33
1000 50 15,77 1,22 0,54 1,60
Media 2,10 0,75 0,58 2,89


100 10 0,09 0,06 0,18 1,08
100 20 0,25 0,13 0,09 0,84
100 30 1,29 0,50 0,00 1,56
100 40 2,12 0,70 0,00 3,02
100 50 1,81 0,36 0,53 7,62
200 10 0,01 0,09 0,11 0,62
200 20 0,24 0,11 0,04 0,36
200 30 0,62 0,44 0,02 0,71
200 40 1,34 0,78 0,00 1,09
200 50 1,44 0,83 0,00 1,67
500 10 0,01 0,02 0,07 0,24
500 20 0,14 0,06 0,02 0,20
500 30 0,44 0,23 0,01 0,23
500 40 0,84 0,31 0,00 0,21
500 50 1,19 0,46 0,00 0,49
1000 10 0,04 0,01 0,02 0,10
1000 20 0,12 0,02 0,06 0,14
1000 30 0,25 0,10 0,01 0,08
1000 40 0,61 0,36 0,00 0,09
1000 50 0,98 0,54 0,00 0,13
Media 0,69 0,31 0,06 1,02

Trabajos Correlacionados y 20 % de máquinas quitadas
con 300 segundos.

100 10 0,33 0,21 0,26 1,10
100 20 0,98 0,49 0,39 0,95
100 30 1,98 0,78 0,18 2,15
100 40 2,76 1,58 0,51 3,73
100 50 2,69 0,65 1,47 9,95
200 10 0,15 0,13 0,15 0,62
200 20 0,47 0,41 0,15 0,39
200 30 1,19 0,71 0,20 0,83
200 40 1,84 1,49 0,28 1,46
200 50 2,05 1,33 0,08 2,24
500 10 0,12 0,06 0,08 0,24
500 20 0,28 0,15 0,06 0,21
500 30 0,54 0,31 0,07 0,27
500 40 1,63 0,48 0,01 0,32
500 50 3,76 0,93 0,03 0,63
1000 10 0,11 0,01 0,03 0,10
1000 20 0,23 0,10 0,10 0,17
1000 30 0,72 0,27 0,05 0,11
1000 40 11,58 1,15 0,05 0,12
1000 50 1,82 1,86 0,08 0,22
Media 1,76 0,66 0,21 1,29

con 60 segundos.

100 10 0,00 0,00 0,32 2,87
100 20 0,00 0,00 0,34 2,31
100 30 0,00 0,00 0,13 1,68
100 40 0,00 0,00 0,29 1,61
100 50 0,00 0,00 0,60 2,37
200 10 0,02 0,03 0,46 2,13
200 20 0,03 0,00 0,36 1,67
200 30 0,04 0,00 0,57 1,71
200 40 0,06 0,00 0,45 1,84
200 50 0,00 0,00 0,51 1,56
500 10 0,02 0,03 0,37 1,18
500 20 0,04 0,11 0,67 1,60
500 30 0,14 0,09 0,46 1,37
500 40 0,03 0,08 0,61 1,53
500 50 0,07 0,06 0,45 1,38
1000 10 0,01 0,02 0,51 1,02
1000 20 0,03 0,02 0,70 1,28
1000 30 0,06 0,04 0,74 1,41
1000 40 0,30 0,03 0,52 1,09
1000 50 1,72 0,09 0,47 1,09
Media 0,13 0,03 0,48 1,63

Máquinas Correlacionados y 20 % de máquinas quitadas
con 300 segundos.

100 10 0,00 0,00 0,37 2,87
100 20 0,00 0,00 0,41 2,31
100 30 0,00 0,00 0,13 1,87
100 40 0,00 0,00 0,27 1,61
100 50 0,00 0,00 0,61 2,37
200 10 0,09 0,16 0,62 2,13
200 20 0,07 0,00 0,51 1,67
200 30 0,04 0,12 0,58 1,71
200 40 0,19 0,23 0,63 1,84
200 50 0,08 0,15 0,59 1,79
500 10 0,04 0,11 0,42 1,18
500 20 0,26 0,39 0,77 1,60
500 30 0,70 0,49 0,60 1,39
500 40 0,59 0,73 0,71 1,53
500 50 2,37 0,90 0,48 1,41
1000 10 0,03 0,10 0,54 1,02
1000 20 0,35 0,32 0,78 1,28
1000 30 1,13 0,32 0,82 1,41
1000 40 2,81 0,38 0,60 1,09
1000 50 5,82 0,60 0,60 1,11
Media 0,73 0,25 0,55 1,66

con 60 segundos.

100 10 0,17 0,00 0,60 2,16
100 20 0,00 0,00 0,10 0,71
100 30 0,00 0,00 0,06 0,32
100 40 0,02 0,00 0,00 0,17
100 50 0,20 0,10 0,07 0,86
200 10 0,14 0,05 0,18 1,01
200 20 0,40 0,01 0,30 1,21
200 30 0,20 0,35 0,02 0,71
200 40 0,23 0,06 0,07 0,57
200 50 0,47 0,18 0,02 1,20
500 10 0,04 0,09 0,08 0,42
500 20 0,30 0,08 0,19 0,73
500 30 0,41 0,00 0,18 0,63
500 40 0,26 0,13 0,01 0,41
500 50 0,26 0,16 0,00 0,43
1000 10 0,08 0,04 0,03 0,22
1000 20 0,29 0,00 0,13 0,35
1000 30 0,36 0,05 0,03 0,34
1000 40 0,54 0,16 0,00 0,39
1000 50 0,96 0,12 0,04 0,43
Media 0,27 0,08 0,11 0,66

dos.

100 10 0,37 0,04 0,70 2,16
100 20 0,01 0,00 0,10 0,73
100 30 0,14 0,00 0,04 0,38
100 40 0,10 0,00 0,00 0,22
100 50 0,26 0,16 0,13 0,89
200 10 0,34 0,22 0,26 1,01
200 20 0,69 0,65 0,46 1,24
200 30 0,43 1,22 0,14 0,77
200 40 0,48 0,16 0,10 0,59
200 50 0,91 0,25 0,25 1,26
500 10 0,18 0,11 0,11 0,43
500 20 0,67 0,53 0,18 0,74
500 30 0,87 0,44 0,26 0,64
500 40 0,73 0,30 0,09 0,44
500 50 0,57 0,30 0,09 0,49
1000 10 0,20 0,08 0,05 0,22
1000 20 0,61 0,28 0,18 0,40
1000 30 0,67 0,40 0,12 0,39
1000 40 2,58 0,42 0,08 0,44
1000 50 6,07 0,37 0,08 0,47
Media 0,84 0,30 0,17 0,69


100 10 0,07 0,00 0,14 0,56
100 20 0,00 0,01 0,06 0,17
100 30 0,00 0,00 0,00 0,00
100 40 0,00 0,00 0,00 0,00
100 50 0,00 0,00 0,00 0,10
200 10 0,01 0,00 0,07 0,24
200 20 0,03 0,05 0,03 0,21
200 30 0,00 0,06 0,03 0,17
200 40 0,00 0,00 0,00 0,06
200 50 0,04 0,00 0,00 0,18
500 10 0,12 0,00 0,09 0,32
500 20 0,12 0,02 0,02 0,16
500 30 0,07 0,06 0,00 0,10
500 40 0,06 0,10 0,01 0,13
500 50 0,09 0,00 0,05 0,13
1000 10 0,05 0,00 0,02 0,14
1000 20 0,12 0,04 0,00 0,11
1000 30 0,09 0,01 0,00 0,07
1000 40 0,09 0,02 0,00 0,08
1000 50 0,23 0,02 0,00 0,08
Media 0,06 0,02 0,03 0,15

dos.

100 10 0,11 0,00 0,16 0,56
100 20 0,03 0,01 0,07 0,17
100 30 0,00 0,00 0,00 0,00
100 40 0,00 0,00 0,00 0,00
100 50 0,00 0,00 0,00 0,10
200 10 0,03 0,04 0,09 0,24
200 20 0,08 0,28 0,05 0,24
200 30 0,10 0,14 0,03 0,17
200 40 0,03 0,09 0,00 0,09
200 50 0,10 0,00 0,02 0,18
500 10 0,31 0,13 0,15 0,33
500 20 0,20 0,11 0,05 0,19
500 30 0,21 0,13 0,01 0,11
500 40 0,16 0,17 0,02 0,13
500 50 0,18 0,04 0,05 0,13
1000 10 0,16 0,03 0,02 0,14
1000 20 0,16 0,07 0,03 0,11
1000 30 21,83 0,06 0,01 0,08
1000 40 5,85 0,06 0,02 0,09
1000 50 3,04 0,08 0,01 0,10
Media 1,63 0,07 0,04 0,16


100 10 0,01 0,00 0,07 0,23
100 20 0,00 0,00 0,01 0,06
100 30 0,00 0,00 0,00 0,03
100 40 0,00 0,00 0,00 0,02
100 50 0,02 0,01 0,00 0,09
200 10 0,01 0,01 0,03 0,14
200 20 0,02 0,08 0,01 0,10
200 30 0,02 0,06 0,00 0,08
200 40 0,03 0,03 0,00 0,06
200 50 0,08 0,00 0,00 0,11
500 10 0,01 0,05 0,07 0,16
500 20 0,05 0,00 0,05 0,11
500 30 0,03 0,01 0,01 0,05
500 40 0,03 0,00 0,01 0,05
500 50 0,04 0,00 0,00 0,05
1000 10 0,00 0,01 0,01 0,04
1000 20 0,03 0,01 0,01 0,04
1000 30 0,03 0,00 0,00 0,03
1000 40 0,03 0,01 0,00 0,05
1000 50 0,04 0,01 0,00 0,03
Media 0,02 0,01 0,02 0,08

gundos.

100 10 0,03 0,06 0,06 0,23
100 20 0,01 0,00 0,00 0,06
100 30 0,01 0,00 0,00 0,03
100 40 0,01 0,00 0,00 0,02
100 50 0,04 0,08 0,00 0,09
200 10 0,03 0,01 0,04 0,14
200 20 0,05 0,16 0,02 0,11
200 30 0,05 0,13 0,01 0,08
200 40 0,05 0,05 0,00 0,06
200 50 0,11 0,03 0,01 0,11
500 10 0,11 0,11 0,08 0,16
500 20 0,09 0,04 0,06 0,12
500 30 0,07 0,02 0,02 0,06
500 40 0,06 0,01 0,02 0,06
500 50 0,05 0,02 0,01 0,05
1000 10 0,07 0,02 0,02 0,04
1000 20 0,05 0,03 0,02 0,04
1000 30 0,07 0,02 0,01 0,04
1000 40 0,76 0,03 0,01 0,05
1000 50 0,23 0,03 0,01 0,04
Media 0,10 0,04 0,02 0,08

dos.

100 10 0,00 0,00 0,26 0,00
100 20 0,00 0,23 0,17 0,08
100 30 5,28 0,17 0,27 2,44
100 40 13,55 0,00 3,37 5,20
100 50 24,67 0,43 4,30 5,78
200 10 0,00 0,00 0,15 0,00
200 20 1,24 0,16 0,02 0,60
200 30 7,95 0,60 0,59 1,29
200 40 14,53 0,52 0,37 2,05
200 50 18,43 2,93 0,58 3,02
500 10 1,43 0,00 0,05 0,03
500 20 6,64 0,14 0,03 0,26
500 30 11,21 0,82 0,09 0,62
500 40 12,58 1,88 0,24 0,65
500 50 18,66 4,20 0,25 0,68
1000 10 8,24 0,00 0,03 0,13
1000 20 17,62 0,00 0,13 0,25
1000 30 25,55 0,10 0,28 0,29
1000 40 33,36 0,66 0,87 0,09
1000 50 38,07 0,56 0,49 0,28
Media 12,95 0,67 0,63 1,19


100 10 0,00 0,00 0,24 0,00
100 20 2,40 0,23 0,17 1,34
100 30 13,81 0,43 1,08 2,55
100 40 23,25 2,50 3,37 5,20
100 50 31,69 7,07 4,30 5,78
200 10 0,10 0,00 0,12 0,09
200 20 8,27 0,16 0,07 0,64
200 30 14,01 1,04 0,59 1,85
200 40 22,48 4,93 0,92 2,46
200 50 28,55 9,74 3,63 4,37
500 10 8,87 0,00 0,05 0,08
500 20 23,99 0,34 0,17 0,41
500 30 35,37 2,66 1,97 1,27
500 40 43,73 3,36 2,99 2,22
500 50 62,01 4,76 4,42 5,51
1000 10 10,05 0,00 0,04 0,13
1000 20 20,96 0,00 0,37 0,32
1000 30 28,92 1,08 1,91 1,43
1000 40 38,02 1,44 1,68 1,78
1000 50 46,99 1,11 1,21 1,37
Media 23,17 2,04 1,47 1,94


100 10 0,00 0,00 0,36 0,00
100 20 0,00 0,02 0,12 0,14
100 30 6,20 0,52 0,80 2,10
100 40 11,20 0,20 1,12 2,44
100 50 11,30 0,06 1,63 2,68
200 10 0,00 0,00 0,15 0,00
200 20 1,49 0,02 0,06 0,63
200 30 4,99 0,01 0,38 1,38
200 40 8,73 1,61 0,21 1,29
200 50 10,90 2,01 0,07 1,22
500 10 1,72 0,00 0,08 0,04
500 20 4,09 0,01 0,02 0,20
500 30 6,42 0,25 0,17 0,39
500 40 8,11 1,60 0,01 0,58
500 50 9,07 1,61 0,04 0,42
1000 10 2,87 0,00 0,01 0,05
1000 20 10,25 0,00 0,07 0,16
1000 30 15,98 0,60 0,16 0,10
1000 40 17,82 0,67 0,18 0,13
1000 50 26,83 0,31 0,19 0,13
Media 7,90 0,47 0,29 0,70


100 10 0,00 0,00 0,36 0,00
100 20 2,68 0,11 0,13 0,81
100 30 9,75 0,88 0,83 2,20
100 40 14,31 3,68 1,12 2,44
100 50 14,00 3,67 1,70 2,94
200 10 0,00 0,00 0,15 0,08
200 20 5,56 0,02 0,07 0,63
200 30 9,91 1,89 0,39 1,41
200 40 12,46 3,35 0,26 1,29
200 50 13,71 3,33 0,39 1,44
500 10 8,05 0,00 0,07 0,14
500 20 16,26 0,10 0,06 0,23
500 30 27,90 0,83 0,28 0,46
500 40 29,15 1,80 1,42 1,32
500 50 33,61 1,89 1,52 1,79
1000 10 7,72 0,00 0,02 0,05
1000 20 11,24 0,05 0,20 0,17
1000 30 17,68 0,82 0,86 0,94
1000 40 18,21 0,72 0,58 0,74
1000 50 27,12 0,69 0,58 0,75
Media 13,97 1,19 0,55 0,99


100 10 0,00 0,00 0,24 0,00
100 20 0,00 0,00 0,22 0,31
100 30 0,87 0,15 0,06 0,40
100 40 0,92 0,17 0,06 0,36
100 50 1,31 0,23 0,00 0,48
200 10 0,00 0,00 0,18 0,00
200 20 0,38 0,01 0,07 0,25
200 30 0,82 0,10 0,06 0,37
200 40 0,86 0,18 0,03 0,31
200 50 0,97 0,20 0,00 0,32
500 10 0,37 0,00 0,03 0,07
500 20 0,76 0,00 0,05 0,14
500 30 0,66 0,03 0,01 0,15
500 40 0,83 0,16 0,00 0,11
500 50 0,73 0,10 0,01 0,10
1000 10 0,38 0,00 0,01 0,04
1000 20 6,50 0,00 0,04 0,16
1000 30 7,85 0,02 0,05 0,13
1000 40 12,37 0,06 0,00 0,07
1000 50 12,48 0,03 0,02 0,08
Media 2,45 0,07 0,06 0,19

con 300 segundos.

100 10 0,00 0,00 0,24 0,00
100 20 0,85 0,02 0,18 0,46
100 30 1,25 0,24 0,17 0,47
100 40 1,29 0,26 0,13 0,46
100 50 1,58 0,40 0,09 0,54
200 10 0,13 0,00 0,19 0,07
200 20 1,29 0,04 0,06 0,26
200 30 1,34 0,12 0,12 0,38
200 40 1,33 0,28 0,10 0,31
200 50 1,87 0,31 0,14 0,36
500 10 2,22 0,00 0,05 0,09
500 20 9,39 0,01 0,06 0,14
500 30 11,84 0,13 0,07 0,16
500 40 15,34 0,22 0,14 0,20
500 50 15,92 0,16 0,12 0,25
1000 10 3,66 0,00 0,02 0,04
1000 20 7,64 0,00 0,04 0,17
1000 30 8,70 0,09 0,12 0,21
1000 40 12,82 0,09 0,09 0,14
1000 50 14,48 0,04 0,07 0,11
Media 5,65 0,12 0,11 0,24

con 60 segundos.

100 10 0,00 0,00 0,44 0,00
100 20 0,00 0,00 0,08 0,02
100 30 0,48 0,00 0,19 0,51
100 40 1,31 0,00 0,38 2,07
100 50 1,30 0,00 0,47 2,24
200 10 0,00 0,00 0,23 0,00
200 20 0,18 0,00 0,54 0,19
200 30 0,80 0,00 0,20 0,68
200 40 1,92 0,00 0,43 1,57
200 50 3,68 0,05 0,53 2,78
500 10 0,04 0,00 0,18 0,07
500 20 8,58 0,00 0,29 0,85
500 30 8,21 0,00 0,38 1,10
500 40 10,30 0,00 0,48 1,64
500 50 11,31 0,00 0,55 1,74
1000 10 2,36 0,00 0,40 0,50
1000 20 18,15 0,00 0,43 1,11
1000 30 53,27 0,00 0,49 1,07
1000 40 220,96 0,00 0,44 1,10
1000 50 263,84 0,00 0,62 1,28
Media 30,33 0,00 0,39 1,03

con 300 segundos.

100 10 0,00 0,00 0,38 0,00
100 20 0,13 0,00 0,08 0,34
100 30 1,40 0,00 0,19 1,84
100 40 1,79 0,05 0,52 2,69
100 50 2,79 0,00 0,57 3,54
200 10 0,01 0,00 0,17 0,06
200 20 0,49 0,00 0,56 0,29
200 30 1,76 0,05 0,22 1,49
200 40 4,68 0,17 0,57 2,00
200 50 7,36 0,19 0,61 2,88
500 10 3,05 0,00 0,20 0,21
500 20 37,19 0,00 0,36 1,03
500 30 57,92 0,01 0,42 1,34
500 40 59,32 0,03 0,57 1,64
500 50 70,16 0,11 0,74 1,76
1000 10 41,15 0,00 0,40 0,83
1000 20 85,78 0,00 0,46 1,14
1000 30 111,73 0,02 0,55 1,07
1000 40 306,19 0,03 0,49 1,10
1000 50 339,90 0,07 0,69 1,28
Media 56,64 0,04 0,44 1,33

con 60 segundos.

100 10 0,00 0,00 0,07 0,00
100 20 0,01 0,00 0,14 0,31
100 30 2,10 0,04 0,25 0,92
100 40 2,55 0,02 0,37 1,17
100 50 3,46 0,09 0,24 0,67
200 10 0,00 0,00 0,07 0,00
200 20 0,64 0,00 0,08 0,30
200 30 1,60 0,39 0,05 0,49
200 40 2,61 0,28 0,06 0,57
200 50 3,40 0,26 0,13 0,61
500 10 0,90 0,00 0,01 0,04
500 20 1,25 0,04 0,03 0,14
500 30 1,57 0,22 0,02 0,22
500 40 3,94 0,46 0,01 0,30
500 50 1,95 0,25 0,03 0,26
1000 10 0,71 0,00 0,01 0,02
1000 20 3,73 0,02 0,02 0,09
1000 30 11,85 0,16 0,00 0,09
1000 40 11,63 0,23 0,01 0,12
1000 50 25,11 0,09 0,00 0,14
Media 3,95 0,13 0,08 0,32

dos.

100 10 0,00 0,00 0,07 0,00
100 20 1,33 0,01 0,12 0,40
100 30 3,61 0,27 0,33 1,04
100 40 3,78 0,43 0,47 1,16
100 50 4,97 0,68 0,25 0,73
200 10 0,04 0,00 0,07 0,03
200 20 2,57 0,02 0,08 0,34
200 30 2,69 0,45 0,08 0,52
200 40 3,21 0,55 0,22 0,57
200 50 5,27 0,43 0,14 0,64
500 10 0,91 0,00 0,01 0,04
500 20 11,19 0,18 0,03 0,18
500 30 12,79 0,33 0,14 0,27
500 40 16,86 0,53 0,33 0,40
500 50 15,90 0,34 0,15 0,49
1000 10 5,23 0,00 0,01 0,02
1000 20 5,95 0,06 0,08 0,10
1000 30 12,11 0,19 0,16 0,20
1000 40 11,72 0,23 0,20 0,33
1000 50 34,22 0,19 0,04 0,21
Media 7,72 0,24 0,15 0,38


100 10 0,00 0,00 0,05 0,00
100 20 0,16 0,00 0,06 0,16
100 30 0,87 0,01 0,13 0,35
100 40 0,80 0,00 0,14 0,30
100 50 0,74 0,02 0,05 0,21
200 10 0,01 0,00 0,03 0,00
200 20 0,48 0,00 0,06 0,12
200 30 0,71 0,00 0,19 0,38
200 40 0,86 0,04 0,04 0,12
200 50 1,03 0,10 0,01 0,12
500 10 0,14 0,00 0,02 0,03
500 20 0,55 0,02 0,03 0,06
500 30 2,39 0,05 0,02 0,16
500 40 8,11 0,02 0,05 0,16
500 50 14,65 0,04 0,01 0,08
1000 10 0,17 0,00 0,01 0,02
1000 20 5,91 0,02 0,02 0,04
1000 30 10,04 0,04 0,01 0,08
1000 40 11,33 0,06 0,01 0,06
1000 50 24,84 0,02 0,01 0,06
Media 4,19 0,02 0,05 0,13

dos.

100 10 0,00 0,00 0,05 0,00
100 20 0,76 0,02 0,06 0,16
100 30 1,12 0,06 0,15 0,41
100 40 0,85 0,03 0,15 0,30
100 50 0,97 0,14 0,06 0,21
200 10 0,19 0,00 0,03 0,05
200 20 1,03 0,00 0,06 0,14
200 30 1,69 0,14 0,22 0,37
200 40 8,56 0,13 0,04 0,12
200 50 20,25 0,17 0,05 0,14
500 10 0,24 0,00 0,02 0,03
500 20 7,37 0,03 0,04 0,07
500 30 9,72 0,16 0,06 0,17
500 40 14,82 0,12 0,11 0,19
500 50 17,01 0,09 0,08 0,12
1000 10 2,39 0,00 0,01 0,02
1000 20 6,55 0,04 0,03 0,04
1000 30 10,58 0,06 0,05 0,12
1000 40 12,13 0,08 0,04 0,13
1000 50 28,35 0,06 0,05 0,13
Media 7,23 0,07 0,07 0,14


100 10 0,00 0,00 0,05 0,00
100 20 0,12 0,00 0,02 0,07
100 30 0,44 0,01 0,06 0,17
100 40 0,37 0,00 0,04 0,14
100 50 0,43 0,07 0,00 0,06
200 10 0,01 0,00 0,02 0,01
200 20 0,33 0,00 0,02 0,06
200 30 0,42 0,02 0,05 0,14
200 40 0,42 0,05 0,00 0,04
200 50 0,42 0,06 0,00 0,04
500 10 0,08 0,00 0,00 0,01
500 20 0,24 0,00 0,01 0,02
500 30 3,93 0,01 0,03 0,10
500 40 6,27 0,01 0,02 0,08
500 50 8,44 0,03 0,00 0,02
1000 10 0,10 0,00 0,01 0,01
1000 20 4,01 0,01 0,00 0,01
1000 30 4,94 0,02 0,01 0,03
1000 40 8,53 0,02 0,00 0,01
1000 50 15,67 0,02 0,00 0,01
Media 2,76 0,02 0,02 0,05

gundos.

100 10 0,00 0,00 0,05 0,00
100 20 0,38 0,00 0,02 0,07
100 30 0,48 0,05 0,09 0,18
100 40 0,43 0,02 0,06 0,13
100 50 0,49 0,10 0,01 0,06
200 10 0,08 0,00 0,02 0,02
200 20 0,45 0,01 0,02 0,06
200 30 0,70 0,06 0,06 0,15
200 40 8,70 0,08 0,01 0,05
200 50 8,93 0,07 0,01 0,05
500 10 0,16 0,00 0,00 0,01
500 20 5,41 0,00 0,02 0,03
500 30 5,80 0,09 0,05 0,11
500 40 7,51 0,08 0,06 0,09
500 50 10,29 0,05 0,02 0,04
1000 10 1,39 0,00 0,01 0,01
1000 20 5,17 0,02 0,01 0,01
1000 30 5,57 0,08 0,05 0,07
1000 40 9,16 0,04 0,03 0,04
1000 50 38,26 0,03 0,02 0,03
Media 5,47 0,04 0,03 0,06

dos.
E.4. Anovas para un 50 % de máquinas sin usar

Se presentan los gráficos procedentes de la eliminación de un 50 % de
máquinas, para los tiempos de estudio de 60 segundos y 300 segundos y los in-
tervalos de tiempos de proceso de U (1, 100), U (10, 100), trabajos correlacio-
nados, máquinas correlacionadas, U (100, 200), U (100, 120) y U (1000, 1100).
E.4. Anovas para un 50 % de máquinas sin usar 439

5,9
4,9
3,9
RPD
2,9
1,9
0,9
-0,1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.1 – ANOVA para el intervalo U(1,100) con 50 %

máquinas quitadas y 300 segundos.

15
11
RPD
-1
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.2 – ANOVA para el intervalo U(1,100) con 50 %

máquinas quitadas y 60 segundos.

3,9
2,9
RPD
1,9
0,9
-0,1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.3 – ANOVA para el intervalo U(10,100) con

50 % máquinas quitadas y 300 segundos.

14
11
8
RPD
-1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


5,2
4,2
3,2
RPD
2,2
1,2
0,2
-0,8 NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.5 – ANOVA para el intervalo Trabajos Correla-
cionados con 50 % máquinas quitadas y 300 segundos.

14
10
RPD
-2
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


1,6
1,3
1
RPD
0,7
0,4
0,1
-0,2
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.7 – ANOVA para el intervalo Máquinas Correla-

cionadas con 50 % máquinas quitadas y 300 segundos.

4,5
3,5
2,5
RPD
1,5
0,5
-0,5
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.8 – ANOVA para el intervalo Máquinas Correla-

cionadas con 50 % máquinas quitadas y 60 segundos.

4,5
3,5
2,5
RPD
1,5
0,5
-0,5
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

15
11
RPD
-1
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


7,1
5,1
RPD
3,1
1,1
-0,9
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


16
13
10
RPD
7
4
1
-2
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


0,22
0,17
0,12
RPD
0,07
0,02
-0,03
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

2,6
2,1
1,6
RPD
1,1
0,6
0,1
-0,4
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX



6
5
4
RPD
3
2
1
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

6
5
4
RPD
3
2
1
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


3
2,5
2
RPD
1,5
1
0,5
0
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


4
3
RPD
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


1,4
1,1
0,8
RPD
0,5
0,2
-0,1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

2,7
2,2
1,7
RPD
1,2
0,7
0,2
-0,3
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


1,9
1,5
1,1
RPD
0,7
0,3
-0,1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.21 – ANOVA para el intervalo Máquinas Corre-

lacionadas con 20 % máquinas quitadas y 300 segundos.

2
1,6
1,2
RPD
0,8
0,4
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX
Figura E.22 – ANOVA para el intervalo máquinas Corre-


0,8
0,6
RPD
0,4
0,2
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

1,1
0,9
0,7
RPD
0,5
0,3
0,1
-0,1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


0,18
0,15
0,12
RPD
0,09
0,06
0,03
0
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


2,4
1,9
1,4
RPD
0,9
0,4
-0,1
-0,6
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


0,1
0,08
0,06
RPD
0,04
0,02
0
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

0,14
0,11
0,08
RPD
0,05
0,02
-0,01
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX



14
11
8
RPD
-1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

25
20
15
RPD
10
0
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


9,8
7,8
5,8
RPD
3,8
1,8
-0,2
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


15
11
RPD
-1
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


3,7
2,7
RPD
1,7
0,7
-0,3
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

7,7
5,7
RPD
3,7
1,7
-0,3
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


45
35
25
RPD
15
-5
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


73
53
RPD
33
13
-7
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


4,6
3,6
2,6
RPD
1,6
0,6
-0,4
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

9,3
7,3
5,3
RPD
3,3
1,3
-0,7
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


5,5
4,5
3,5
RPD
2,5
1,5
0,5
-0,5
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


9,4
7,4
5,4
RPD
3,4
1,4
-0,6
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX


3,7
2,7
RPD
1,7
0,7
-0,3
CPLEX
NAM+CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

7
5
RPD
-1
NAM+CPLEX
CPLEX
NAM+ST+DIG
NAM+ST+CPLEX

ANEXO
F
ARTÍCULOS ACEPTADOS Y CONGRESOS
Como resultado de todo lo desarrollado en la presente Tesis Doctoral se

han presentado ponencias en dos congresos nacionales y en tres congresos
internacionales además de tener dos artículos en revistas de alto impacto
pendientes de publicación o ya publicados. Los congresos a los que asistimos
fueron los siguientes:
The 21st Conference of European Chapter on Combinatorial Optimi-

zation (ECCO XXI), Drubrovnik, mayo 2008. Titulo: “Iterated greedy
algorithms for the unrelated parallel machine problem”. En el se expuso
los resultados de los algoritmos iniciales. Capítulo 3.
XXXI Congreso nacional de estadística e investigación operativa, Mur-

cia, febrero 2009. Titulo: “Nuevos algoritmos para la resolución del pro-
blema de máquinas paralelas no relacionadas”. A este congreso nacional
se llevo una ponencia relativa a los algoritmos de selección dirigida.
Capítulo 4.
463
464 ANEXO F. ARTÍCULOS ACEPTADOS Y ENVIADOS
23rd European Conference on Operational Research (EURO), Bonn,

julio 2009. Titulo: “New algorithms for the unrelated parallel machine
scheduling problem”. Se mostraron internacionalmente los resultados de
los algoritmos de selección dirigida. Capítulo 4.
4th International Conference on Industrial Engineering and Industrial

Management, San Sebastián, septiembre 2010. Titulo: “Size-reduction
methods for the unrelated parallel machines problem and makespan cri-
terion”. Exposición de los algoritmos de reducción de tamaño. Capítulo
5.
VII Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y

Bioinspirados (MAEB 2010), Valencia, septiembre 2010. Titulo: “Se-
cuenciación en máquinas paralelas no relacionadas con máquinas opcio-
nales y selección de trabajos”. Ponencia sobre el problema más general
de máquinas opcionales y selección de trabajos. Capítulo 6.
También exponemos aquí los artículos resultantes de nuestras investigacio-

nes a lo largo del desarrollo de esta Tesis:
En primer lugar esta “Iterated greedy local search methods for unrelated
parallel machine scheduling”, ya publicado en la revista EJOR (European
Journal of Operational Research) (Fanjul-Peyro y Ruiz (2010a)).
En segundo lugar el articulo "Size-reduction heuristics for the unrelated

parallel machines scheduling problem", ya en prensa a la espera de su publica-
ción en la revista C&OR (Computers & Operations Research) (Fanjul-Peyro y
Ruiz (2010b)).

tesisUPV3454 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

tesisUPV3454 PDF

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD POLITÉCNICA DE VALENCIA

Nuevos algoritmos para el

A Nacho y María por ser mis hijos.

una búsqueda local de intercambio hasta óptimo local de ambas, seguidas de

search followed by a interchange local search has proven beneficial. This,

Quiero agradecer a Ghirardi y Potts el habernos facilitado el código de su

También quiero agradecer a mi familia el apoyo dado, al aguantarme esta

Y por último, quiero darle mi más sincero agradecimiento a mi director

3. Algoritmos iniciales propuestos 37

3.1.3. Búsqueda local de intercambio . . . . . . . . . . . . . 44

4. Algoritmos de selección dirigida 133

5. Heurísticas de reducción de tamaño 169

6. Máquinas opcionales y selección de trabajos 195

6.1.2. Restricciones más habituales . . . . . . . . . . . . . . 199

7. Conclusiones y líneas futuras de investigación 235

A. Tablas de los algoritmos iniciales 251

B. Gráficos y tablas de interacción de los algoritmos iniciales 301

C. Resultado de calibración de los algoritmos 323

D. Tablas y ANOVAS de los algoritmos de reducción de tamaño 329

E. Tablas y ANOVAS para el problema de máquinas opcionales 395

F. Artículos aceptados y congresos 463

2.1. Diagrama de Gantt con la asignación de trabajos en máquinas

3.1. Diagrama de flujo de los algoritmos propuestos. . . . . . . . . 39

3.10. Ejemplo de algoritmo iterativo voraz dirigido (IGD): Selección

3.23. Gráfico ANOVA de los algoritmos CPLEX, Partial, RBS, IGS,

4.1. Distribución de probabilidad basada en la asignación de núme-

4.5. Distribución de probabilidad Uniforme para las máquinas con

6.1. Orden de máquinas o ranking (NAM). . . . . . . . . . . . . . 208

B.1. Gráfico de interacción de algoritmos frente número de trabajos, para

B.7. Gráfico de interacción de algoritmos frente número de trabajos, para

D.1. Gráfico de medias de los algoritmos de reducción de tamaño

D.8. Gráfico de medias de los algoritmos de reducción de tamaño

D.21.Gráfico de medias de los algoritmos de reducción de tamaño

D.34.Gráfico de medias de los algoritmos de reducción de tamaño

E.1. ANOVA para el intervalo U(1,100) con 50 % máquinas quita-

E.7. ANOVA para el intervalo Máquinas Correlacionadas con 50 %

E.22. ANOVA para el intervalo máquinas Correlacionadas con 20 %

E.37. ANOVA para el intervalo U(100,200) con 80 % máquinas qui-

2.1. Tabla de tiempos de proceso de ejemplo de asignación en

3.1. Tabla de tiempos de proceso de ejemplo de ciclado: situación

3.7. Comparación general entre los algoritmos CPLEX, Partial,

3.17. Comparación entre los algoritmos agrupados por número de

3.27. Comparación general entre los algoritmos CPLEX, Partial,

3.35. Comparación entre los algoritmos CPLEX, Partial, RBS, IGS,

4.1. Comparación entre los algoritmos CPLEX, Partial, RBS, IGS,

4.3. Comparación entre los algoritmos CPLEX, Partial, RBS, IGS,

5.1. Tabla de instancias resueltas por CPLEX 11.0, tras 2 horas

5.4. Ejemplo de valores seleccionados de pij por el método de

6.1. Ejemplo NAM: Tabla inicial. . . . . . . . . . . . . . . . . . . 206

6.7. Tabla porcentual de la media de las diferencias respecto al

A.1. Tabla completa para el intervalo U(1,100). . . . . . . . . . . . 258

B.1. Tabla de datos estadísticos agrupados por trabajos para el in-

B.3. Tabla de datos estadísticos agrupados por trabajos para el in-

C.1. Calibración del algoritmo IGS: primera parte. . . . . . . . . . 324

D.1. Tabla porcentual de la media de las diferencias respecto a

D.11.Tabla porcentual de la media de las diferencias respecto a la

D.19.Tabla porcentual de la media de las diferencias respecto a la

D.27.Tabla porcentual de la media de las diferencias respecto a la

D.37.Tabla porcentual de la media de las diferencias respecto a la

E.1. Tabla porcentual de la media de las diferencias respecto al

E.5. Tabla porcentual de la media de las diferencias respecto al

E.15. Tabla porcentual de la media de las diferencias respecto al

E.25. Tabla porcentual de la media de las diferencias respecto al